摘要：
今天终于完成了机器人轨迹规划的最后一次课了，拜拜自带B - BOX 的 Prof. TJ Taylor. 最后一节课的内容是利用势场来进行轨迹规划。此方法的思路非常清晰，针对Configration Space 里面的障碍物进行 DT变换，用DT变换值作为罚函数的输入，让机器人尽可能的远离障碍物，同 阅读全文
摘要：
上一篇提到，机器人轨迹规划中我们可以在 Configuration Space 中运行A* 或者 DJ 算法。无论A* 还是DJ 算法，都必须针对邻域进行搜索，如果2自由度则有4邻域，2自由度则有8邻域。如果是工业上常用的6自由度机器人，那么就有2^6邻域。。。。。。显然，对于轨迹规划这种串行算法而 阅读全文
摘要：
之前的轨迹规划中，我们只考虑了质点，没有考虑机器人的外形与结构。直接在obstacle map 中进行轨迹规划，然而世纪情况中，机器人有固定外形，可能会和障碍物发生碰撞。此情况下，我们针对机器人自由度进行建模，给定其运动空间，如果是扫地机器人，那么其自由度是x-y的平移，如果是N自由度机械臂，其自由 阅读全文
摘要：
对于机器人感知任务而言，经常需要预判物体的运动，保证机器人在物体与自身接触之前进行规避。比如无人机与障碍物的碰撞，足球机器人判断足球的位置。预判的前提是对当前状态进行准确的估计，比如足球的速度，障碍物靠近的速度。一般认为，测量是存在误差的 —— 眼见未必为实。 1、物体的运动学模型 物体的运动学模型 阅读全文
摘要：
机器人感知是UPNN机器人专项中的最后一门课程，其利用视觉方法来对环境进行感知。与之前提到的机器人视觉不同，机器人感知更侧重于对环境物体的识别与检测。与计算机视觉不同，机器人视觉所识别的物体往往不需要高精度测量，物体也有明显特征。机器人感知最为典型的应用是对环境的感知 —— SLAM，同步定位与地图 阅读全文
摘要：
概率图的学习真的要接近尾声了啊，了解的越多越发感受到它的强大。这周的作业本质上是data mining.从数据中学习PGM的结构和参数，完全使用数据驱动 —— No structure, No parameters. Data tell us everything 1、识别外星人 如此强大的工具要用 阅读全文
摘要：
今天完成了机器人视觉的所有课程以及作业，确实是受益匪浅啊！ 最后一个话题是Bundle Adjustment. 机器人视觉学中，最顶尖的方法。 1、基于非线性优化的相机位姿估计 之前已经在拟合一篇中，已经补完了非线性最小二乘拟合问题。Bundle Adjustment，中文是光束平差法，就是利用非线 阅读全文
摘要：
极几何是机器人视觉分支——双目视觉中，最为重要的概念。与结构光视觉不同，双目视觉是主！动！测！量！方法。 1、极几何的研究前提 极几何的研究对象是两幅有重叠区域图像。研究目标是提取相机拍摄位姿之间的关系。一旦得到两次拍摄位姿之间的关系，我们就可以对场景点进行三维重建。 极几何定义的物理量包括4个：1 阅读全文
摘要：
概率图模型的作业越往后变得越来越有趣了。当然，难度也是指数级别的上涨啊，以至于我用了两个周末才完成秋名山神秘车牌的寻找，啊不，CRF模型的训练。 条件随机场是一种强大的PGM，其可以对各种特征进行建模，同时可以使用随机梯度下降算法进行训练，训练的结果就是PGM中那些定义变量交互方式的参数。 1、LR 阅读全文
摘要：
之前说到，机器人视觉的核心是Estimation。求取特征并配准，也是为了Estimation做准备。一旦配准完成，我们就可以从图像中估计机器人的位置，姿态。有了位置，姿态，我们可以把三维重建的东西进行拼接。从视觉信息估计机器人位姿的问题可以分为三个大类：1、场景点在同一平面上。2、场景点在三维空间 阅读全文