基于全参数自适应粒子群算法的单目标定与位姿估计研究

摘要

目前带有视觉的机械臂被越来越广泛地应用于各种工业生产中，其中较多是基于位置的视觉伺服结构。为实现机械臂的视觉引导操作，首先需要对机械臂与相机整个系统进行手眼标定;其次，需要利用视觉引导机械臂操作，此时一般要识别并且精确定位目标物体。在整个过程中，相机标定与位姿估计精度的有效提高对视觉伺服在实际工业应用有着重要的意义。针对这两种问题，本论文围绕全参数自适应的粒子群算法，提出了一些改进的相机标定与位姿估计方法。
　　本硕士论文主要工作如下:
　　第一，针对机器人视觉伺服控制的结构，分别从基于位置的视觉伺服、基于图像的视觉伺服、混合视觉伺服等几方面对视觉伺服的研究进展进行了回顾。在基于位置的视觉伺服系统中目标物体的位姿估计问题尤为重要，因此，针对单目视觉下的三维物体的位姿估计问题，结合近年的研究分别从基于人工标志位的目标物体位姿估计、基于自然特征的目标物体位姿估计、基于序列图像的目标物体位姿估计以及基于模型库的目标物体位姿估计等四个方面进行详细阐述。
　　第二，针对传统粒子群方法求解相机内参时的局部最优解问题，提出一种基于全参数自适应变异粒子群算法的单目相机标定方法。首先利用张正友方法确定单目相机的内参初始值，然后利用全参数粒子群算法进行优化，在优化过程中，局部学习因子与全局学习因子能够分别根据局部最优粒子与全局最优粒子对当前各个粒子的作用进行自适应调节，同时变异率能够根据种群归一化平均粒距进行自适应调节。最后可以得出精确的单目相机内参值。
　　第三，针对单目视觉下三维物体的位姿估计问题，提出一种基于变尺度变异粒子群算法的位姿估计方法。通过三维物体上特征点在相机坐标系与物体坐标系下的对应关系，利用直接线性变换求解初值，然后通过变尺度变异粒子群算法优化得出最优位姿。迭代过程中，惯性因子根据最优适应度值的变化情况自适应调整;学习因子根据局部、全局最优粒子对当前粒子的不同影响自适应调整;变异率根据归一化平均粒距自适应调整，同时给出了变尺度的变异方式。
　　第四，针对单目视觉下三维物体的位姿估计问题，提出一种基于静态扩展卡尔曼与动态变异粒子群算法的混合位姿估计方法。首先，利用静态扩展卡尔曼求解给出三维物体的位姿初值估计;然后，通过改进的动态变异粒子群算法优化得到目标物体的位姿;最后，通过实验验证了该方法可以较准确地获得目标物体的位姿信息。

目录

摘要

1．1 引言

1．2 视觉伺服研究进展

1．2．1 基于位置的视觉伺服

1．2．2 基于图像的视觉伺服

1．2．3 混合视觉伺服

1．3 本硕士论文的主要工作

1．4 本硕士论文的组织结构

2．1 引言

2．2 基于人工标志位的目标物体位姿估计

2．3 基于自然特征的目标物体位姿估计

2．3．1 基于特征直线的目标物体位姿估计

2．3．2 基于特征曲线的目标物体位姿估计

2．4 基于序列图像的目标物体位姿估计

2．5 基于模型库的目标物体位姿估计

第三章 基于全参数动态自适应变异粒子群的单目相机标定

3．1 引言

3．2 相机成像模型

3．3 确定相机内参初始值

3．4 全参数动态自适应变异粒子群优化算法

3．4．1 惯性因子调整

3．4．2 学习因子调整

3．4．3 变异策略

3．5 基于全参数自适应变异粒子群算法的单目相机内参优化

3．6 实验与分析

3．7 结论

第四章 基于变尺度变异粒子群算法的单目视觉三维物体位姿估计

4．1 引言

4．2 位姿模型

4．3 位姿初值确定

4．4 基于变尺度变异粒子群的三维物体位姿优化

4．4．1 惯性因子调整

4．4．2 学习因子调整

4．4．3 变尺度的自适应变异策略

4．5 实验与分析

4．6 结论

第五章 基于静态扩展卡尔曼与动态变异粒子群算法的混合位姿估计

5．1 引言

5．2 位姿估计模型

5．3 传统扩展卡尔曼位姿估计

5．4 混合位姿估计

5．4．1 静态扩展卡尔曼估计

5．4．2 动态变异粒子群算法

5．5 实验与分析

5．6 结论

6．1 总结

6．2 进一步的研究工作

参考文献

致谢

附录

声明