【正文】 現(xiàn)型的工業(yè)機(jī)器人?；谝曈X的多機(jī)器人算法研究畢業(yè)論文目 錄第1章 緒論 1 選題背景和意義 1 2 本文的主要內(nèi)容 5第2章 機(jī)器視覺原理 7 圖像處理技術(shù) 7 RGB、HSV概念 8 RGB模型 8 HSV模型 10 從 RGB 空間到HSV空間的相互轉(zhuǎn)換 11 RGB和HSV以及各分量 13 基于顏色特征對(duì)機(jī)器人進(jìn)行識(shí)別 14 RGB模型對(duì)于顏色特征識(shí)別 15 利用HSV模型進(jìn)行識(shí)別 17 對(duì)HSV顏色模型的改進(jìn) 18 在Matlab中對(duì)閾值進(jìn)行篩選 19 圖像識(shí)別結(jié)果 19 本章小結(jié) 19第3章 對(duì)機(jī)器人進(jìn)行標(biāo)定和定位 21 單目視覺測(cè)距原理 21 單目視覺測(cè)距的計(jì)算方法 22 利用單目視覺測(cè)距原理進(jìn)行相對(duì)坐標(biāo)的確定 23 實(shí)驗(yàn)結(jié)果及分析誤差 23 實(shí)驗(yàn)結(jié)果 23 實(shí)驗(yàn)誤差分析 25 本章小結(jié) 25第4章 控制策略 25 速度控制回路 25 比例積分（PI）控制 25 程序設(shè)計(jì)思路 25 程序初始化 25 速度和角度控制策略 25 數(shù)據(jù)圖形和動(dòng)畫模擬實(shí)現(xiàn) 25 程序調(diào)試 25 實(shí)驗(yàn)結(jié)果 25 直線模擬結(jié)果 25 圓型模擬結(jié)果 25 程序改進(jìn) 25第5章 結(jié)論 25參考文獻(xiàn) 25致謝 25附錄A：程序清單 25附錄B：外文翻譯資料 25iii中國(guó)民航大學(xué)本科畢業(yè)設(shè)計(jì)（論文）第1章 緒論 選題背景和意義隨著人類工業(yè)化進(jìn)程的不斷加劇，制造業(yè)的生產(chǎn)模式也發(fā)生了根本性的變化，從最初的手工制作到機(jī)器化大生產(chǎn)，機(jī)器人是機(jī)器進(jìn)化的必然產(chǎn)物。由于計(jì)算機(jī)技術(shù)、超大規(guī)模集成電路、控制理論、人工智能理論、傳感器技術(shù)等的不斷成熟和發(fā)展，由多學(xué)科交叉而形成的機(jī)器人學(xué)的研究也進(jìn)入了一個(gè)嶄新的階段。要機(jī)器人完成人們所期望的工作，首先由操作者對(duì)操作機(jī)器人進(jìn)行示教，操作機(jī)器人控制系統(tǒng)將示教指令進(jìn)行記憶和存儲(chǔ)，使用時(shí)再根據(jù)指令順序取出指令經(jīng)過(guò)編譯進(jìn)行復(fù)現(xiàn)示教動(dòng)作，國(guó)際上商品化、實(shí)用化的機(jī)器人大都屬于這代機(jī)器人；、適應(yīng)能力的機(jī)器人。這代機(jī)器人是具有高度適應(yīng)性的自治機(jī)器人，裝備有多種傳感器，將多種傳感器探測(cè)到的信息進(jìn)行融合從而進(jìn)行復(fù)雜的邏輯思維和判斷決策，而且能夠有效地適應(yīng)環(huán)境的變化，具有較強(qiáng)的自適應(yīng)能力，并具有自學(xué)習(xí)功能?？梢灶A(yù)見，各個(gè)機(jī)器人系統(tǒng)在實(shí)際工作中的廣泛應(yīng)用又為機(jī)器人學(xué)提出了新的要求和新的研究課題。對(duì)于可分解的復(fù)雜的任務(wù)及大范圍的環(huán)境，利用多機(jī)器人系統(tǒng)，可把復(fù)雜的任務(wù)分解成多個(gè)簡(jiǎn)單的子任務(wù)，利用多個(gè)機(jī)器人協(xié)調(diào)工作，可以有效地完成任務(wù)，這比單個(gè)機(jī)器人順序地完成所有的子任務(wù)要快得多；。在多個(gè)機(jī)器人中，機(jī)器人的功能可以不同，它們的目標(biāo)任務(wù)不同，但它們可協(xié)調(diào)工作；。通過(guò)成員之間的信息交換，多機(jī)器人系統(tǒng)可以更有效和更精確地定位，這對(duì)于野外作業(yè)的機(jī)器人尤其重要；。而機(jī)器人數(shù)量上的冗余，也能提高整個(gè)系統(tǒng)的可靠性。多機(jī)器人系統(tǒng)的應(yīng)用領(lǐng)域是很廣闊的，如：（1）工業(yè)領(lǐng)域：未來(lái)自動(dòng)話生產(chǎn)線中，多機(jī)器人系統(tǒng)可以擔(dān)負(fù)起人類的作用，如組織無(wú)聊運(yùn)輸，圣餐加工和其他一些復(fù)雜的任務(wù)，在一些危險(xiǎn)環(huán)境或者惡劣環(huán)境中可以代替人類自主萬(wàn)恒一些復(fù)雜作業(yè)；（2）醫(yī)學(xué)領(lǐng)域：大量的為機(jī)器人進(jìn)入腸道、為或者血管等人體美狹窄部分進(jìn)行減產(chǎn)、發(fā)現(xiàn)和修補(bǔ)病變；（3）局勢(shì)領(lǐng)域：使用多機(jī)器人系統(tǒng)進(jìn)行偵查、巡邏、牌類等；（4）航天領(lǐng)域：利用多機(jī)器人系統(tǒng)進(jìn)行衛(wèi)星和空間站的內(nèi)外維護(hù)以及星球探索等。目前，國(guó)內(nèi)的多機(jī)器人系統(tǒng)的研究剛剛起步，而國(guó)外的研究則比較活躍。圖11 多機(jī)器人跟隨它計(jì)劃組建一支由10到100個(gè)自主移動(dòng)機(jī)器人組成的龐大的搬運(yùn)隊(duì)伍用于在港口、機(jī)場(chǎng)等地完成搬運(yùn)工作。但是，從總體上講，目前多機(jī)器人系統(tǒng)的研究還處于發(fā)展局的初期階段，離實(shí)現(xiàn)實(shí)用化還有相當(dāng)遠(yuǎn)的一段距離。近年來(lái)，在IEEE Ramp。一些機(jī)器人學(xué)術(shù)刊物出版了有關(guān)多機(jī)器人系統(tǒng)的?？ukuda研究的CEBOT(Cellular Robotic System)被認(rèn)為是對(duì)機(jī)器人團(tuán)隊(duì)協(xié)同工作的首次嘗試。它由眾多的、功能簡(jiǎn)單的、被稱為細(xì)胞元(cell)的單元組成。CEBOT系統(tǒng)最開始是基于光傳感器和細(xì)胞的通信總線來(lái)實(shí)現(xiàn)信息傳遞的，有一個(gè)通信細(xì)胞專門負(fù)責(zé)與各個(gè)細(xì)胞的通信，相當(dāng)于是主從式的。具體來(lái)說(shuō)，是在機(jī)器人之間沒有建立顯式通信的條件下，如何利用分散式控制方式實(shí)現(xiàn)多機(jī)器人系統(tǒng)的協(xié)作。協(xié)作推箱偽(boxpushing)的實(shí)驗(yàn)結(jié)果表明，在不存在顯式通信和中心控制器的情況下，盡管解決方案不是一個(gè)最優(yōu)解，但機(jī)器人系統(tǒng)總能將箱子推向目標(biāo)。圖 12 機(jī)器人協(xié)同作業(yè)多機(jī)器人系統(tǒng)的應(yīng)用前景是非常巨大的，因此美、歐、日等發(fā)達(dá)國(guó)家從20世紀(jì)80年代中期就對(duì)多機(jī)器人系統(tǒng)投入了相當(dāng)大的研究熱情，協(xié)作機(jī)器人學(xué)開始得到發(fā)展，起初的項(xiàng)目有ACTRESS、DEBOT、GOFER、SWARM等。中國(guó)民航大學(xué)機(jī)器人研究所在多機(jī)器人是研究上也取得了不小的成績(jī)，由研究所自主研發(fā)的奧運(yùn)福娃機(jī)器人在北京首都機(jī)場(chǎng)中承擔(dān)了迎賓任務(wù)，并能實(shí)現(xiàn)同步雙舞等復(fù)雜動(dòng)作，在國(guó)內(nèi)處于領(lǐng)先地位。主要包括以下幾點(diǎn)內(nèi)容：，綜合國(guó)內(nèi)外研究現(xiàn)狀。，主要有RGB、HSV兩種顏色模型， 說(shuō)明了HSV和RGB空間的相互轉(zhuǎn)化。，篩選不同顏色特征的物體時(shí)所選取的顏色空間。，并用單目視覺測(cè)距原理計(jì)算出目標(biāo)物體相對(duì)于攝像頭的相對(duì)坐標(biāo)。5. 最后是全文總結(jié)，提出所存在的問(wèn)題，并為課題的下一步工作提出建議。例如醫(yī)療診斷中各種醫(yī)學(xué)圖片的分析與識(shí)別、天氣預(yù)報(bào)中的衛(wèi)星云圖識(shí)別、遙感圖片識(shí)別、指紋識(shí)別、臉譜示別等，圖像識(shí)別技術(shù)越來(lái)越多的滲透到我們的日常生活中。圖像識(shí)別包括諸如條碼識(shí)別、生物特征識(shí)別（人臉識(shí)別、指紋識(shí)別等）技術(shù)、智能交通中動(dòng)態(tài)對(duì)象識(shí)別、手寫識(shí)別等。是人工智能的一個(gè)重要領(lǐng)域，隨著計(jì)算機(jī)技術(shù)及人工智能技術(shù)的發(fā)展圖像識(shí)別技術(shù)越來(lái)越成為人工智能的基礎(chǔ)技術(shù)。起基本分析方法也隨著數(shù)學(xué)工具的不斷進(jìn)步而不斷發(fā)展。數(shù)字技術(shù)的特點(diǎn)。據(jù)統(tǒng)計(jì)，在人類接受的信息中，聽覺信息站20%，而視覺占到60%，所以作為傳遞信息的重要手段——圖像信息是十分重要的。所謂數(shù)字圖像處理，就是用計(jì)算機(jī)對(duì)圖像進(jìn)行處理，從而達(dá)到預(yù)想的目的。圖象識(shí)別技術(shù)一直是計(jì)算機(jī)圖象處理中十分活躍的研究領(lǐng)域，也是機(jī)器人視覺研究的基礎(chǔ)。經(jīng)過(guò)多年的對(duì)機(jī)器人視覺的研究中，總結(jié)有很多種顏色空間的劃分方法：常見的有RGB、HSV、YUV、YIQ等。每一種顏色都是由色相（Hue，簡(jiǎn)H），飽和度（Saturation，簡(jiǎn)S）和色明度（Value，簡(jiǎn)V）所表示的。 RGB模型RGB模型也稱為加色法混色模型。其混色規(guī)律是：以等量的紅、綠、藍(lán)基色光混合時(shí)，有：紅+綠＝黃色紅+藍(lán)＝紫色綠+藍(lán)＝青色紅+綠+藍(lán)＝白色三種基色光全無(wú)＝黑色加色法的混色規(guī)律可用圖表示。圖22 RGB模式有色光可被無(wú)色光沖淡并變亮。知道它的混合原理后，在軟件中設(shè)定顏色就容易理解了。紅、綠、藍(lán)三個(gè)顏色通道每種色各分為255階亮度，在0時(shí)“燈”最弱——是關(guān)掉的，而在255時(shí)“燈”最亮。RGB 顏色稱為加成色，因?yàn)槟ㄟ^(guò)將 R、G 和 B 添加在一起（即所有光線反射回眼睛）可產(chǎn)生白色。 例如，顯示器通過(guò)紅色、綠色和藍(lán)色熒光粉發(fā)射光線產(chǎn)生顏色。 這些顏色若發(fā)生重疊，則產(chǎn)生青、洋紅和黃。色相（H）是色彩的基本屬性，就是平常所說(shuō)的顏色名稱，如紅色、黃色等，依照在右圖的標(biāo)準(zhǔn)色輪上的位置，取0360度的數(shù)值。飽和度（S）是指色彩的純度，越高色彩越純，低則逐漸變灰，取0100%的數(shù)值。 HSV是把顏色描述在圓柱體內(nèi)的點(diǎn)，這個(gè)圓柱的中心軸取值為自底部的黑色到頂部的白色而在它們中間是的灰色，繞這個(gè)軸的角度對(duì)應(yīng)于“色相”，到這個(gè)軸的距離對(duì)應(yīng)于“飽和度”，而沿著這個(gè)軸的距離對(duì)應(yīng)于“亮度”，“value”或“明度”。HSV模型對(duì)應(yīng)于圓柱坐標(biāo)系中的一個(gè)圓錐形子集，圓錐的頂面對(duì)應(yīng)于V=1。色彩H由繞V軸的旋轉(zhuǎn)角給定。 ，綠色對(duì)應(yīng)于角度120176。在HSV顏色模型中，每一種顏色和它的補(bǔ)色相差180176。HSV顏色模型所代表的顏色域是CIE色度圖的一個(gè)子集，這個(gè) 模型中飽和度為百分之百的顏色，其純度一般小于百分之百。圓錐的頂面中心處S=0，V=1，H無(wú)定義，代表白色。對(duì)于這些點(diǎn)，S=0，H的值無(wú)定義。 在圓錐頂面的圓周上的顏色，V=1，S=1，這種顏色是純色。畫家用改變色濃和 色深的方法從某種純色獲得不同色調(diào)的顏色，在一種純色中加入白色以改變色濃，加入黑色以改變色深，同時(shí)加入不同比例的白色，黑色即可獲得各種不同的色調(diào)。這種表示可能被認(rèn)為是 HSV 色彩空間的更精確的數(shù)學(xué)模型；但是在實(shí)際中可區(qū)分出的飽和度和色相的級(jí)別數(shù)目隨著明度接近黑色而減少。 從 RGB 空間到HSV空間的相互轉(zhuǎn)換設(shè) (r, g, b) 分別是一個(gè)顏色的紅、綠和藍(lán)坐標(biāo)，它們的值是在 0 到 1 之間的實(shí)數(shù)。設(shè) min 等于這些值中的最小者。之間。HSV顏色的s和v的值定義如下：s=0, amp。max≠0 （22）v=max （23）HSV轉(zhuǎn)化到RGB的算法 ：if s=0R=G=B=Velse H=H/60i=intger(H)f=Hia=V*(1s)b=V*(1s*f)c=V*(1s*(1f))switch(i)case 0: R=V, G=c, B=a,case 1: R=b, G=v, B=a,case 2: R=a, G=v, B=a,case 3: R=a, G=b, B=v,case 4: R=c, G=a, B=v,case 5: R=v, G=a, B=b,HSV對(duì)用戶來(lái)說(shuō)是一種直觀的顏色模型。增加黑色可以減小V而S不變，同樣增加白色可以減小S而V不變。要得到淡藍(lán)色，V=1 S= H=240度。如果我們用16Bit表示HSV的話，可以用7位存放H，4位存放S，5位存放V，即745或者655就可以滿足我們的需要了。 RGB和HSV以及各分量利用Matlab對(duì)圖片的各個(gè)顏色分量進(jìn)行討論，下面先對(duì)圖形的RGB顏色空間進(jìn)行分離，效果如下：圖24 RGB中各個(gè)顏色的分量由上圖可知，對(duì)于綠色物體，R分量對(duì)于篩選還比較理想，但是G分量和B分量就和背景顏色相似，在進(jìn)行篩選時(shí)比較困難。下面對(duì)不同顏色進(jìn)行HSV空間各個(gè)分量進(jìn)行對(duì)比圖25 HSV中各個(gè)顏色的分量通過(guò)觀察可以得出：HSV顏色空間中的H和S分量對(duì)于不同顏色有著比較明顯的變化特征，如綠色物體在H和S分量中明顯與別的物體有著較大的差別。 基于顏色特征對(duì)機(jī)器人進(jìn)行識(shí)別以綠色的物體模擬領(lǐng)航機(jī)器人（），用Matlab對(duì)其各個(gè)顏色空間進(jìn)行對(duì)比，選取一定的閾值，將圖形中綠色的像素分離出來(lái)，從而達(dá)到識(shí)別的效果。圖26 模擬領(lǐng)航機(jī)器人物體 RGB模型對(duì)于顏色特征識(shí)別將圖片信息讀入，根據(jù)所顯示的直方圖來(lái)確定綠色物體所在的區(qū)間，然后進(jìn)行調(diào)整，最后在Matlab中先對(duì)顏色進(jìn)行篩選，盡量使各個(gè)閾值都包含所要提取的物體，然后根據(jù)各個(gè)閾值所具有的特點(diǎn)，使得到的結(jié)果包含最少的噪音，所得閾值和結(jié)果如下：EW=roicolor(R,0,100)。 G的閾值GW=roicolor(B,95,150)。因?yàn)楝F(xiàn)有的圖象采集設(shè)備采集到的顏色信息是RGB值，顏色顯示設(shè)備最終使用的也是RGB值，圖象處理中使用的其它顏色空間都是從它轉(zhuǎn)換而來(lái)的。為此，研究者進(jìn)行了不懈的努力，尋找更適合彩色圖象處理中使用的顏色空間。所以在實(shí)際應(yīng)用中可以只用H和S分量。 H的閾值CW=roicolor(S,)。 V的閾值HSV顏色空間中的各個(gè)分量對(duì)目標(biāo)機(jī)器人的選取效果如下：圖212 從H分量進(jìn)行篩選圖213 從S分量進(jìn)行篩選圖214 從V分量進(jìn)行篩選將HSV各個(gè)分量進(jìn)行相與后，使篩選后所包含的噪音最少，所得到的結(jié)果如下：圖215 HSV中各個(gè)顏色的分量相與后的結(jié)果對(duì)于相同環(huán)境下的物體，RGB空間存在一定的缺陷，無(wú)法有效地檢測(cè)出目標(biāo)物體，但是HSV空間可以解決這一問(wèn)題，下圖就是在不同光照環(huán)境下所得的結(jié)果：圖216 不同光照條件下RGB和HSV空間進(jìn)行對(duì)比由圖可知，在固定的光照條件下，RGB和HSV顏色模型都能很好的對(duì)由一定顏色的機(jī)器人進(jìn)行識(shí)別，但是RGB對(duì)光照條件十分敏感，微小的光照變化就可以使識(shí)別效果變得很差，所以不適用。 對(duì)HSV顏色模型的改進(jìn)利用單獨(dú)的HSV空間的篩選和多個(gè)空間的篩選進(jìn)行對(duì)比，單獨(dú)使用HSV對(duì)圖像進(jìn)行處理時(shí)，圖像存在一定的噪聲，通過(guò)Matlab預(yù)處理后，發(fā)現(xiàn)噪聲多集中在黑色區(qū)域，說(shuō)明H和V分量對(duì)黑色物體的識(shí)別效果較差，容易受黑色背景的影響。 在Matlab中對(duì)閾值進(jìn)行篩選用攝像頭對(duì)模擬物體進(jìn)行拍照，在Matlab環(huán)境下對(duì)各個(gè)機(jī)器人的閾值進(jìn)行篩選，所得結(jié)果如下：BW=roicolor(H,)。 H的閾值CW=roicolor(S,)。~CW)。提出了RGB顏色空間在解決顏色特征提取時(shí)存在的缺陷，利用HSV顏色空間的優(yōu)點(diǎn)，使用H和S空間進(jìn)行對(duì)目標(biāo)物體進(jìn)行篩選，但是還存在一定的噪聲，通過(guò)觀察噪聲的特點(diǎn)，發(fā)現(xiàn)噪聲多集中在黑色區(qū)域，說(shuō)明H和V分量對(duì)黑色物體的識(shí)別效果較差，容易受黑色背景的影響。所以最后確定用H、S、B三個(gè)分量對(duì)目標(biāo)物體進(jìn)行提取，取得了不錯(cuò)的效果。要確定攝像機(jī)的圖像坐標(biāo)系與物理空間中的三維參考坐標(biāo)系之間的精確對(duì)應(yīng)關(guān)系需要對(duì)攝像機(jī)進(jìn)行標(biāo)定?；谝陨系目紤]，利用幾何關(guān)系確定物體在世界坐標(biāo)中位置點(diǎn)與其像點(diǎn)之間的數(shù)學(xué)關(guān)系表達(dá)式，即確定攝像機(jī)成像幾何模型。圖1 顯示了針孔模型測(cè)距原理[1]，如圖所示，P(x,y)點(diǎn)是世界坐標(biāo)系中的一點(diǎn)，(μ,v)是其在攝像機(jī)成像平面上的特征點(diǎn)的像平面坐標(biāo)，測(cè)距的目的就是將圖像中目標(biāo)特征點(diǎn)p 的像平面坐標(biāo)(μ,v)轉(zhuǎn)換為其在機(jī)器人坐標(biāo)系xoy 下的坐標(biāo)P(x,y)。P 是物體，p 是物體在圖像中的特征點(diǎn)，H 是攝像機(jī)到地面的垂直距離，y1 是攝像機(jī)垂直視角投影在地面上的最近距離，y1+y2 是攝像機(jī)垂直視角投影在地面上的最遠(yuǎn)距離，x1 是當(dāng)攝像機(jī)垂直視角投影在地面