论文部分内容阅读
针对残疾人和老年人日益增长的陪护需求,为减轻护理压力研发了一种集易用性,响应快速性和操作个性化于一身的载臂智能轮椅式助老助残机器人(Wheelchair Mounted Robotic Arm,WMRA)。它可以提供诸如辅助吃饭、喝水、开门等多方面的生活服务。其中,自主抓取是完成这些辅助任务的核心环节。为了实现自主抓取,该WMRA需要预先针对不同的家居物品进行离线训练,记录下抓取物品的识别模板以及相应的抓取姿态和抓取轨迹。然后,视觉系统利用离线训练的数据,识别出目标物体并估计该物体相对于模板的空间位姿,从而确定机械手的抓取姿态和抓取轨迹,完成抓取过程。本课题针对目标物体模板是多视角点云的情况,利用点云库(Point Cloud Library,PCL)和机器人操作系统(Robot Operation System,ROS)搭建了该自主抓取系统,具体研究内容如下:(1)基于全局特征VFH(Viewpoint Feature Histogram)进行了面向多视角点云模板的物体识别算法的研究。该算法首先通过三次滤波减少了噪点干扰和观测范围,然后利用基于RANSAC的平面分割算法和欧氏距离分割算法将场景中的各个物体独立分割出来,最后通过匹配场景物体和多视角模板的VFH特征识别出目标物体。(2)提出了一种目标物体位姿估计的复合算法。该算法首先利用基于VFH的模板选择法获得与目标姿态最相近的模板,然后针对多视角模板的特性,将关键点配准算法进行改进,并应用到上述被选择的模板与目标点云的配准过程中,从而获得了更精确的目标位姿。(3)进行了坐标系标定方法的研究和基于ROS的自主抓取系统的搭建。为了确定机械手的最终抓取位置和抓取姿态,该系统建立了4个坐标系,并进行了内参矩阵的确定和坐标系之间的标定研究。利用ROS中节点、话题和服务的通讯模式,实现了机械臂、摄像头、麦克风、轮椅之间的信息传递,从而完成了WMRA离线训练和在线抓取系统的搭建。(4)设置了3组实验对视觉算法和自主抓取系统进行实验评估。第一组实验针对10个常见的家居物体分别进行了40次不同模板数量、不同背景设置的物体识别,结果表明该识别算法的成功率在90%以上,且计算时间在0.5秒以下。第二组实验评估了本课题提出的位姿估计复合算法,结果表明该位姿估计算法相对于现有的模板选择法在精度上有大幅度提高。另外,在点云配准阶段的改进使得整个姿态估计算法的计算时间减少了20%以上。第三组实验针对5个不同的物体分别进行了40次不同位姿的抓取,证明了该系统可以满足WMRA对自主抓取的实时性和准确性的要求。