發(fā)布時(shí)間：2024-06-23 08:34

　　人工智能技術(shù)的成熟引領(lǐng)著機(jī)器人的智能化發(fā)展。機(jī)器人逐漸融入到人們的生活和工作之中,并取代了一部分人機(jī)械重復(fù)的工作。在與外界進(jìn)行交互時(shí),機(jī)器人需要利用多種設(shè)備對(duì)外界環(huán)境進(jìn)行感知,如相機(jī)和三維傳感器等。如何有效地利用這些設(shè)備采集得到的信息,對(duì)環(huán)境中的目標(biāo)進(jìn)行識(shí)別和估計(jì)其6D姿態(tài),以協(xié)助機(jī)器人完成物體抓取任務(wù),對(duì)于實(shí)際的工程需求十分重要。因此,本文以“基于深度和紋理信息融合的三維物體識(shí)別和6D姿態(tài)估計(jì)”為研究課題,對(duì)基于神經(jīng)網(wǎng)絡(luò)的物體識(shí)別和6D姿態(tài)估計(jì)任務(wù)進(jìn)行了深入研究。主要工作內(nèi)容包括以下幾個(gè)部分:基于點(diǎn)云數(shù)據(jù)的三維物體識(shí)別;復(fù)雜背景下的物體識(shí)別以及分割;結(jié)合紋理和深度信息的物體的6D姿態(tài)估計(jì)。1、點(diǎn)云數(shù)據(jù)的非結(jié)構(gòu)化性質(zhì)導(dǎo)致卷積網(wǎng)絡(luò)無(wú)法直接用于對(duì)其進(jìn)行特征提取。因此,不少方法通過(guò)手工規(guī)則將點(diǎn)云數(shù)據(jù)映射為圖片,然后使用卷積網(wǎng)絡(luò)進(jìn)行特征提取并分類。但人工制定的映射規(guī)則會(huì)導(dǎo)致映射過(guò)程中信息丟失。為了解決該缺點(diǎn),本文利用反卷積操作,自主學(xué)習(xí)點(diǎn)云數(shù)據(jù)到圖片的映射關(guān)系,通過(guò)數(shù)據(jù)驅(qū)動(dòng)的方式建立的映射關(guān)系,會(huì)保留對(duì)后續(xù)分類任務(wù)有用的信息,以提高最后的分類精度。2、為了能夠在真實(shí)復(fù)雜場(chǎng)景下識(shí)別和分割物體,并...

【文章頁(yè)數(shù)】：81 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 三維點(diǎn)云物體識(shí)別方法研究現(xiàn)狀
        1.2.2 語(yǔ)義分割網(wǎng)絡(luò)研究現(xiàn)狀
        1.2.3 6D姿態(tài)估計(jì)方法研究現(xiàn)狀
        1.2.4 現(xiàn)有方法的不足
    1.3 論文主要研究工作
    1.4 論文結(jié)構(gòu)安排
第2章 相關(guān)理論介紹
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 卷積層
        2.1.2 反卷積層
        2.1.3 池化層
        2.1.4 激活層
    2.2 點(diǎn)云分類網(wǎng)絡(luò)
        2.2.1 PointNet點(diǎn)云分類網(wǎng)絡(luò)
        2.2.2 用于提取點(diǎn)云局部結(jié)構(gòu)信息的模塊Set Abstraction
    2.3 語(yǔ)義分割網(wǎng)絡(luò)
        2.3.1 Unet語(yǔ)義分割網(wǎng)絡(luò)
        2.3.2 Pyramid Pooling Module(PPM)高效的多尺度特征提取模塊
    2.4 DenseFusion姿態(tài)估計(jì)網(wǎng)絡(luò)
    2.5 模型壓縮方法
        2.5.1 MixConv輕量級(jí)卷積模塊
        2.5.2 基于幾何中位數(shù)的模型剪枝算法FPGM
    2.6 手眼標(biāo)定
    2.7 小結(jié)
第3章 自學(xué)習(xí)映射三維點(diǎn)云物體識(shí)別
    3.1 自學(xué)習(xí)映射三維點(diǎn)云物體識(shí)別網(wǎng)絡(luò)構(gòu)建
    3.2 實(shí)驗(yàn)設(shè)置
    3.3 評(píng)測(cè)數(shù)據(jù)集
    3.4 結(jié)果分析
    3.5 小結(jié)
第4章 紋理和深度信息融合的語(yǔ)義分割網(wǎng)絡(luò)
    4.1 紋理和深度信息融合的語(yǔ)義分割網(wǎng)絡(luò)構(gòu)建
    4.2 顏色特征提取主干
    4.3 深度特征提取骨干
    4.4 多尺度特征融合網(wǎng)絡(luò)
    4.5 實(shí)驗(yàn)設(shè)置
    4.6 評(píng)測(cè)數(shù)據(jù)集
    4.7 結(jié)果分析
    4.8 小結(jié)
第5章 輕量級(jí)姿態(tài)估計(jì)網(wǎng)絡(luò)的構(gòu)建
    5.1 整體網(wǎng)絡(luò)架構(gòu)
    5.2 基于MixConv的高效紋理特征提取網(wǎng)絡(luò)
    5.3 點(diǎn)云特征提取網(wǎng)絡(luò)以及特征融合
    5.4 迭代優(yōu)化網(wǎng)絡(luò)
    5.5 基于FPGM進(jìn)行模型剪枝
    5.6 訓(xùn)練過(guò)程
    5.7 評(píng)測(cè)數(shù)據(jù)集
    5.8 實(shí)驗(yàn)分析
    5.9 小結(jié)
第6章 輕量級(jí)姿態(tài)估計(jì)網(wǎng)絡(luò)在機(jī)械臂抓取中的應(yīng)用
    6.1 實(shí)驗(yàn)平臺(tái)介紹
    6.2 數(shù)據(jù)集采集和構(gòu)建
    6.3 實(shí)驗(yàn)流程
    6.4 定性分析
    6.5 小結(jié)
第7章 結(jié)論和展望
    7.1 工作總結(jié)
    7.2 研究展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)歷及攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文與研究成果



本文編號(hào)：3995255