移動機器人關鍵技術及典型應用

第1章 緒論1
1.1 移動機器人概述 1
1.1.1 移動機器人的定義 1
1.1.2 移動機器人的發展 1
1.2 移動機器人的組成和分類 4
1.2.1 移動機器人的組成 4
1.2.2 移動機器人的分類 5
1.3 移動機器人的關鍵技術 7
1.3.1 結構設計 7
1.3.2 環境感知 7
1.3.3 自主定位 8
1.3.4 路徑規劃 8
1.3.5 運動控制 9
1.4 移動機器人的典型應用 9
本章小結 11

第2章 移動機器人系統設計12
2.1 移動機器人機械結構 12
2.1.1 機械臂 12
2.1.2 末端執行機構 13
2.1.3 移動機構 15
2.2 機器人控制器 18
2.2.1 單片機 19
2.2.2 嵌入式控制器 19
2.2.3 工控機 20
2.3 機器人感知傳感器 21
2.3.1 激光雷達 21
2.3.2 視覺相機 23
2.3.3 衛星導航 25
2.3.4 慣性導航 28
2.4 機器人驅動器 31
2.4.1 液壓驅動 31
2.4.2 氣壓驅動 32
2.4.3 電機驅動 33
2.5 機器人電源 35
2.5.1 電池的種類 35
2.5.2 電池的關鍵參數 35
2.5.3 充電技術 36
2.6 果園采摘機器人移動平臺設計 37
2.6.1 機器人移動平臺設計方案 37
2.6.2 移動平臺結構設計 38
2.6.3 移動平臺三維建模 40
2.6.4 移動平臺控制系統硬件設計 41
2.6.5 移動平臺控制系統軟件設計 44
本章小結 46

第3章 機器人自主導航定位47
3.1 SLAM 技術 47
3.1.1 SLAM 問題描述 48
3.1.2 環境地圖選取 48
3.1.3 SLAM 框架 51
3.2 激光雷達SLAM 技術 51
3.2.1 雷達數據處理 51
3.2.2 建圖算法 56
3.2.3 重定位算法 59
3.3 視覺SLAM 技術 60
3.3.1 傳統特征提取算法 62
3.3.2 深度學習特征提取算法 65
3.3.3 深度學習與傳統特征提取的融合算法 71
3.3.4 地圖構建技術 78
3.4 基於ORB-SLAM 的室內場景重建 80
3.4.1 技術路線 81
3.4.2 視覺傳感器 81
3.4.3 視覺SLAM 框架 83
3.4.4 稠密場景重建 85
3.4.5 場景重建實驗及結果分析 87
3.5 多傳感器信息融合技術 88
3.5.1 多傳感器融合原理 89
3.5.2 數據時空一致性方法 90
3.5.3 多傳感器數據融合策略 94
3.6 基於激光雷達/視覺傳感器/慣性傳感器的采摘機器人自主導航技術 96
3.6.1 基於因子圖的全局優化 96
3.6.2 基於添加視覺詞袋的激光雷達回環優化 100
3.6.3 實驗結果和分析 104
本章小結 106

第4章 移動機器人目標感知技術108
4.1 傳統目標感知技術 108
4.1.1 相機標定 108
4.1.2 模板匹配 120
4.1.3 角點檢測 123
4.1.4 邊緣檢測 127
4.1.5 形狀特征提取 138
4.1.6 聚類分析 151
4.2 基於深度學習的目標感知技術 154
4.2.1 卷積神經網絡 154
4.2.2 主流目標檢測算法 159
4.2.3 目標數據集制作 164
4.2.4 目標檢測模型訓練 167
4.2.5 評價標準 171
4.3 基於機器視覺的水下塑料垃圾識別 173
4.3.1 案例研究路線 173
4.3.2 水下圖像增強處理 174
4.3.3 水下塑料垃圾識別 177
4.3.4 水下目標定位 182
本章小結 185

第5章 機器人運動學分析186
5.1 機器人空間描述和坐標轉換 186
5.1.1 位置方位表示與坐標系描述 186
5.1.2 平移和旋轉變換 187
5.2 機械臂坐標系建立 188
5.3 正運動學分析 191
5.4 逆運動學分析 193
5.5 工作空間分析 196
本章小結 198

第6章 機器人運動規劃199
6.1 機器人路徑規劃 199
6.1.1 基於搜索的規劃算法 199
6.1.2 基於采樣的規劃算法 201
6.2 基於目標引導的采摘機器人路徑規劃 204
6.2.1 改進RRT* 算法 204
6.2.2 多目標路徑規劃 208
6.2.3 路徑規劃仿真驗證 210
6.3 機器人軌跡規劃 213
6.3.1 笛卡兒空間的軌跡規劃 213
6.3.2 關節空間的軌跡規劃 218
6.4 基於改進粒子群算法的混合多項式軌跡規劃 222
6.4.1 混合多項式插值 222
6.4.2 自適應動態粒子群優化算法 222
6.4.3 軌跡規劃驗證仿真 224
本章小結 227

參考文獻229