七自由度乒乓球机器人的视觉检测及击球决策研究

摘要

乒乓球运动要求参与者具备快速反应和快速决策的能力。基于这些特点，乒乓球机器人成为研究高速、智能机器人系统的理想实验平台。
　　本文以七自由度乒乓球机器人为背景，进行了三方面的研究工作:七自由度机械臂的运动控制、高速运动球体的视觉跟踪和基于学习的击球决策。针对带关节限位的七自由度机械臂，本文提出了一种改进的基于“臂角”参数法的解析逆运动学求解方案。七自由度机械臂的冗余运动被参数化为“臂角”，即机械臂与参考平面之间的二面角。基于上述参数化方法，关节限位对于冗余参数的限制能够表示为可以解析求解的三角不等式。而后，在每个自运动流型上“臂角”的取值范围可以由简明且易于实现的三角运算得到;最后对于取值范围内的每个“臂角”值，即可求得符合关节限位的关节配置。
　　本文采用数学证明和实验验证两种方法证明了上述方法的正确性。另外，本文还采用MATLAB符号运算实现了机械臂的正运动学;并通过对比常用微分逆运动学算法，选择了加权最小范数法作为七自由度机械臂的微分逆运动学算法。针对高速运动球体在图像中引入的“运动模糊’夕，本文提出了一种基于双口视觉的图像处理流程:首先基于背景去除法从图像中提取球体的对应区域;而后通过最小化图像方向导数的L2范数来估计模糊参数并采用Richardson-Lucy算法得到去模糊图像;最后采用基于RANSAC的圆拟合算法得到乒乓球的中心位置并进而计算出乒乓球在三维空间的位置和速度。上述方法可以有效减轻运动模糊现象对测量精度的影响，从而实现高速乒乓球的精确视觉跟踪。针对击球决策问题，本文提出了一种基于支持向量回归的击球策略学习方法。机器人的击球过程被形式化为击球评价函数，该函数以来球状态和击球轨迹参数为输入，以回报值为输出。该函数由。支持向量回归算法对经验数据集进行泛化而得到。在在线决策过程中，采用多初值拟牛顿法最大化击球评价函数以求解出最优击球轨迹。由于基于学习的击球决策不依赖于物理模型，因此它可以有效避免非建模动态特性和模型参数误差等因素对击球成功率的影响。
　　本文提出的所有算法都在七自由度乒乓球机器人系统上实现，机械臂轨迹规划实验、视觉跟踪实验和击球实验等验证了算法的有效性。

目录

封面

中文摘要

英文摘要

目录

第1章绪论

1.1乒乓球机器人系统综述

1.2乒乓球机器人的运动控制

1.3乒乓球机器人的视觉检测

1.4乒乓球机器人的击球决策

1.5本文的主要研究内容

第2章七自由度机械臂的运动学及轨迹规划

2.1引言

2.2七自由度机械臂正运动学求解

2.3七自由度机械臂逆运动学求解

2.4逆运动学算法的实现

2.5七自由度机械臂的微分逆运动学

2.6七自由度机械臂轨迹规划实验

2.7本章小结

第3章基于双目视觉的目标检测

3.1引言

3.2基于背景去除的图像分割

3.3基于去模糊的目标定位

3.4图像反卷积及目标定位

3.5乒乓球轨迹预测

3.6图像处理小结

3.7视觉系统程序设计

3.8实验验证

3.9本章小结

第4章基于学习的击球决策

4.1引言

4.2乒乓球击球的形式化描述

4.3支持向量回归简介

4.4基于支持向量回归的击球决策

4.5算法实现

4.6击球决策实验

4.7本章小结

第5章实验与验证

5.1引言

5.2乒乓球机器人实验平台

5.3与人对打实验

5.4本章小结

结论

参考文献

附录1 基于Matlab的机械臂正运动学求解脚本

附录2 有关七自由度机械臂逆运动学的证明

附录3 面向VxWorks(R)6.6的GSL函数库移植脚本

攻读博士学位期间发表的论文及其它成果

声明

致谢

个人简历