论文笔记-190712

1、六自由度姿态变换视觉实验平台及应用
摘要: 为了适应生产线上不同摆放姿态下工件的视觉识别，实现基于视觉的机器人工件定位及抓取，构建了**六自由度工件姿态变换模拟实验平台运动学模型及视觉系统模型，过坐标变换实现工件姿态参量的测量。**建立了六自由度姿态变换实验平台坐标系，过 3 个滑动副、3 个转动副，建了基于 Denavit-Hartenberg( D-H) 方法的六自由度姿态变换实验平台运动学模型，得到了 D-H 参量表、各个关节的变换矩阵及实验平台基座到末端的总变换矩阵。基于小孔成像原理，建了姿态变换实验平台视觉系统的内、外参量模型，得了工件表面点与图像点间的内参量关系矩阵及工件坐标系与相机坐标间的外关系矩阵。由激光环形光条图像，到工件表面在摄像机坐标系中的法向量，通过坐标系间的变换得到工件表面在世界坐标系中的法向量，而推算出工件的姿态参量。结果表明，态参量的横滚角 θ 平均误差为 0． 373°，俯仰 φ 平均误差为 0． 253°，偏转 ξ 平均误差为 0． 673°。被测工件的姿态测量值与真实值基本吻合，满足不同姿态下的工件视觉测量要求。
【1】采用欧拉角物体姿态对机器人的空间运动进行描述；
国外学者在 20 世纪 80 年代前后，提出了姿态测量中的透视 n 点定位问题( perspective-n-point，NP) 。该方法为基于单帧图像的姿态解算方法：已知被测目标物体上 n 个特征点中任意两个点间的对应坐标关系，根据摄像机的成像模型可以确定目标物体上这 n个特征点在摄像机坐标系中的坐标，利用标定后的摄像机内外参量求出特征点在世界坐标系中的坐标值，解算出目标物体的姿态参量。
6-DOF 姿态变换实验平台，具有两种基本的实验功能: 工件的各种姿态变换，变换平台 3 个平移自由度及 3 个旋转自由度组合实现; 视觉测量系统，单目相机配合激光结构光实现。

D-H 方法适用于任何由关节和连杆组成的机器人模型构建

关节的 x 轴一般定义在两个相邻关节轴线的公垂线上。图中，节Jn与 Jn + 1之间的关节偏移量为 an，关节Jn + 1与 Jn + 2间的关节偏移量为 an + 2; 两相邻的公垂线之间的距离为 d，两相的关节的 z 轴之间夹角定义为关节扭转角，别为 αn和 αn + 1。

2、基于移动平台的增强现实研究-2015

梳理了移动增强现实技术的研究之路，归纳并分析了国内外的研究机构、研究特点以及相关资源。其次，详细地阐述了该领域所涉及的理论与技术，对当前研究热点领域进行了概括、分类和对比。最后，讨论了该领域研究中存在的重、难点问题，对未来的发展进行了展望。
增强现实（Ａｕｇｍｅｎｔｅｄ　Ｒｅａｌｉｔｙ，
ＡＲ）是在虚拟现实的基础上发展起来的新技术，被称之为混合现实。它是一种结合虚拟化技术再来观察世界的方式，通过计算机系统提供的电子信息增加用户对现实世界的感知，将
虚拟的信息应用到真实世界，将计算机生成的虚拟物体、场景或系统提示信息叠加到真实场景中，而实现对现实的增强。
１９９７年由 ＨＲＬ 实验室的 Ａｚｕｍａ所提出的，认为一个 ＡＲ 系统必须具备３个特征，：虚实结合、实时交互、三维配准［４］。虚实结合是指将虚拟信息和现实对象整合在一起，实现感官上的统一；实时交互是指系统能实时响应用户的操作，且两者形成互动；三维注册是指将虚拟信息准确地注册到真实世界之中，注册的位置是三维的。
移动增强现实（Ｍｏｂｉｌｅ　Ａｕｇｍｅｎｔｅｄ　Ｒｅａｌｉｔｙ，
ＭＡＲ）是 ＡＲ技术在移动平台的应用，用户携带各种计算设备，以在室内或是户外随意走动而不影响系统功能实现。



涉及的理论与技术：涉 及 到计算机图形、图像处理、移动计算、计算机网络、信息获取、人机交互等各个领域的内容
跟踪注册技术是 ＡＲ 的关键技术。将虚拟信息与真实世界在三维空间中进行配准，个配准的过程被称为注册（Ｒｅｇｉｓｔｒａｔｉｏｎ）；虚拟信息所处的位置和观察者的位置是相对的，意味着系统必须实时地检测观察者在真实场景中的位置和方向，此过程称为跟踪（Ｔｒａｃｋｉｎｇ）。
跟踪注册的核心问题是实时性、稳定性和鲁棒性


根据硬件传感器 定 位 用 户 的 运 动 位 姿，同 时借助视觉方法对配准结果进行误差补偿算法。优点：鲁棒性强、精度高 。缺点：系统成本高、安装繁琐、移植困难。




基于标识的视觉注册方法并不适用于户外环境，于是研究者开始探索一种脱离标识的视觉注册方法，基于自然特征的跟踪注册技术。该技术 是 根 据 真 实 场 景 中 的 某 些 自 然 特 征 （如 点、线、平面或纹理等），提取其基准点，预存的特征点进行匹配，而实现跟踪注册。与基于标识的视觉注册技术相比，基于自然特征的方法在光照变化较大和遮挡的情况下具有更高的鲁棒性，但是相应的图像处理的时间会延长，影响系统实时性。
由于真实场景往往比较复杂，不同的视角、光照条件、相对运动等因素都会对定位产生影响，此基于自然特征的跟踪注册技术难度比基于标识的要高很多。包括哥伦比亚大学的工程系（ＣＵＥＤ）、格拉茨技术大学的计算机图形 与 视 觉 研究所（ＩＣＧ）以及洛桑 联 邦 理 工 学 院 的 ＣＶＬａｂ实 验 室 在 内 的多个研究机构致力于基于视觉传感器的 ＡＲ 技术，基于移动平台的自然特征点跟踪算法的研究上做了大量工作，实现了对目标进行自然特征识别和跟踪注册。
早在１９９９年，Ｎｅｕ－ｍａｎｎ和 Ｙｏｕ就在 ＡＲ 系统跟踪注册技术中应用了自然特征检测［７１］。 同 年 Ｌｏｗｅ 提 出 了 ＳＩＦＴ（Ｓｃａｌｅ－ｉｎｖａｒｉａｎｔ　ＦｅａｔｕｒｅＴｒａｎｓｆｏｒｍ）算法，于 ２００４ 年 更 加 深 入 地 进 行 了 完 善 和 发展［４４］。目前常用的 算 法 还 有 Ｏｚｕｙｓａｌ等 人 提 出 的 Ｆｅｒｎｓ 算法［４７］、Ｂａｙ等人 提 出 的 ＳＵＲＦ（Ｓｐｅｅｄｅｄ－ｕｐ　Ｒｏｂｕｓｔ　Ｆｅａｔｕｒｅｓ）算 法［４６］、Ｅｄｗａｒｄ　Ｒｏｓｔｅｎ 和 Ｔｏｍ　Ｄｒｕｍｍｏｎｄ 提 出 的 ＦＡＳＴ（Ｆｅａｔｕｒｅｓ　ｆｒｏｍ　Ａｃｃｅｌｅｒａｔｅｄ　Ｓｅｇｍｅｎｔ　Ｔｅｓｔ）算法［４５］以及 Ｌｅｕ－ｔｅｎｅｇｇｅｒ等人提出的ＢＲＩＳＫ（Ｂｉｎａｒｙ　Ｒｏｂｕｓｔ　Ｉｎｖａｒｉａｎｔ　Ｓｃａｌａｂｌｅ keypoints）算法。

基于无线网络：通 过 对 无 线 电波的传输时间、幅度、相位和到达角等参数的测 量，可以根据特定的算法来判断被测物体的位置。如 ＷＩＦＩ，
其协议提供了 ＲＳＳＩ（Ｒｅｃｅｉｖｅｄ　Ｓｉｇｎａｌ　Ｓｔｒｅｎｇｔｈ　Ｉｎｄｉｃａｔｉｏｎ）定位功能；利用全球移动通讯系统（Ｇｌｏｂａｌ　Ｓｙｓ－ｔｅｍ　ｆｏｒ　Ｍｏｂｉｌｅ　Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，
ＧＳＭ）手机的三角信号技术进行定位，总的来说基于 无 线 网 络 的 跟 踪 注 册 技 术 定 位 准 确 度 不高，一般用于室内 ＭＡＲ 系统。

混合跟踪注册技术：
常用的有声学式和惯性式跟踪注册技术相结合、光学式和惯性式跟踪注册技术相结合、机器视觉和惯性式跟踪注册技术相结合、机器视觉和电磁式跟踪注册技术相结合、机器视觉和 ＧＰＳ跟踪注册技术相结合等。