多机器人协作围捕系统的设计与实现

来源 :大连理工大学 | 被引量 : 0次 | 上传用户:liyn000
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
经济的快速发展催生出了许多繁重而复杂的任务,单个机器人在处理这类任务时具有的成本高、效率低等弊端使得多机器人系统引起了专家和学者的关注。机器人群体相比于单个机器人在处理复杂任务时,具有鲁棒性强、灵活性好以及效率高等优点。其中的多机器人协作围捕由于涉及路径规划、目标搜索、任务分配、目标跟踪、编队控制等多项关键技术而成为研究多机器人系统的重要途径和平台。本文基于组装的移动机器人,搭建了多机器人协作围捕的系统并设计了围捕方案进行实验验证。本文主要工作如下:一、多机器人协作围捕系统搭建。搭建的多机器人协作围捕系统主要包括三层,分别为对象层、通信层和监控显示层。对象层的移动机器人采用模块化理念进行设计,主要包括能源与动力、中央控制和信息感知三个模块;基于套接字构建了系统的通信网络,围捕机器人之间通信协议采用TCP协议,围捕机器人与后台监控电脑端的通信协议采用UDP协议;基于ROS-GUI设计了监控显示界面,并对接收到的视频流进行解压缩和解码。本文将对搭建的多机器人协作围捕系统做详细阐述。二、激光与视觉信息感知。移动机器人感知全局环境信息和目标物的视觉信息是顺利完成围捕任务的前提和基础。本文中移动机器人感知信息主要包括三方面。其一,启动激光雷达传感器运行cartographer算法构建实验区域的平面地图;其二,对相机进行标定获得了相机的各项参数,并利用标定好的相机识别配有固定靶标的目标机器人;其三,综合围捕机器人的位置(围捕机器人在地图中的坐标)和围捕机器人与目标机器人的相对位置(目标机器人在相机坐标系下的坐标)估计目标机器人的位置。三、多机器人协作围捕方案。本文将多机器人协作围捕分为目标搜索、目标跟随和目标包围三个阶段。根据实验区域的特点制定了围捕机器人群体的目标搜索策略并结合相关技术进行了实现;基于目标机器人在相机中的信息利用PID控制设计了围捕机器人对目标机器人的跟随方法;将包围行为分解为围捕机器人对目标机器人的跟随以及围捕机器人群体的队形控制两部分,围捕机器人群体的队形控制基于编队相关理论实现。四、方案验证及结果分析。在实际环境下基于搭建的多机器人协作围捕系统对设计的多移动机器人协作围捕方案进行了验证,实验结果证明了提出围捕方案的合理性和有效性。
其他文献
背景:近年来大量的研究结果提示真正的致病性遗传变异多位于基因调控元件中,如增强子和启动子。随着三维基因组学的发展,研究者们发现增强子与其靶基因启动子的交互作用通常在一个高度有序折叠的基因组单元即拓扑关联结构域(topologically associating domains,TADs)内进行,并且相邻该区域的边界富集了许多转录因子CTCF的结合。TAD边界的干扰被证实可以影响染色质折叠成环,扰乱
近年来,随着科技的进步和人工智能的快速发展,人们对大脑产生的生理信号中的脑电信号情感识别有了越来越多都研究。脑电信号是由人的中枢神经系统产生的一种生理信号,人的情
对特定类型神经元的活动进行时间精确、无创和远程的控制是神经科学长期追求的目标。光遗传学技术能够在毫秒量级的时间内准确控制遗传学上靶定的神经元活性。然而目前常用的光遗传技术:基于植入光纤的方法会对实验对象的组织及行为造成损害,并且很难用于外周神经元的光刺激;基于红光的方法不能穿透深部组织;基于上转换纳米材料和近红外光遗传方法(上转换光遗传)受限于近红外光被生物组织中水大量吸收导致的低发光效率和过热现
人体姿态估计算法是计算机视觉领域的一个基础性研究。它是行为识别、人物追踪等其他计算机视觉研究的基础。人体姿态估计可以分为单人任务和多人任务。在现实的应用场景里摄
研究目的:甲硫腺苷(S-Methyl-5’-thioadenosine,MTA)是蛋氨酸代谢的产物,以往研究表明,其在癌症、炎症、细胞增殖等过程中发挥了重要的作用。本课题组前期工作发现,体内关键
随着5G的发展,配备多核处理器的移动设备需要处理越来越复杂的应用程序。这些应用程序为人们提供便利的同时,移动设备也必须承担更多的能耗和更高的延迟。然而,移动设备的计
柔韧性适能作为健康体适能的一项重要指标,在保持人体健康中扮演着重要角色。然而现今的柔韧性检测方式依然依赖于传统的测试仪器,使得测量需要耗费大量的人力物力,且其测试
文字作为人类信息交流的重要载体,蕴含着非常丰富的语义信息,对图像中文字的识别与理解具有重要意义。随着人工智能技术的飞速发展,基于深度学习的场景文本识别技术取得了较
高光谱遥感图像是一个代表给定场景或对象的像素集合,其具有数百个光谱带且包含着丰富的数据信息。高光谱图像最大的优点就是光谱分辨率高,但它也具有特征维度高的缺点。随着
随着互联网技术的发展,各行各业的数据呈现爆炸式增长。为了从这些数据中挖掘出有用的知识,越来越多的数据挖掘技术得到了广泛的研究。频繁项集挖掘就是其中一种流行的数据分