专利交易市场

本发明提出了一种液压支架群组推移位姿的少传感估计系统及方法，系统包括位姿感知装置、推移位姿重构装置以及上位机，所述位姿感知装置和推移位姿重构装置互相连接，所述推移位姿重构装置连接上位机，本申请能够在不完全感知的情况下运行，通过相应矩阵变换，表达出多构态的变化过程，并构建基于GWO‑SVM的推移位姿预测模型检测预测最佳推移位置曲线；通过应用RBF‑SVM算法对液压支架群组的变胞约束状态进行分类和识别，再结合DPMM—HMM模型中的自适应学习，获得准确的推移位姿局部分段感知信息；结合预测最优推移位置曲线和局部分段感知结果构建分布式卡尔曼滤波方程，实现不完全感知状态下液压支架群组的推移位姿全局重构。

一种基于有界优化的机器人位姿递归估计方法，根据相机针孔模型和坐标变换过程建立位姿估计系统模型，设计递归滤波器形式，通过泰勒展开非线性量测方程并将高阶展开项作为有界噪声，给出估计误差平方的一个上界，构造最优化问题求解最优估计器增益，使得估计误差平方上界最小化且确保估计误差上界成立。本发明提供一种在噪声统计特性未知情况下的机器人位姿有界递归优化估计方法，实现机器人位姿的实时估计。

本发明涉及目标位姿估计技术领域，涉及一种结合深度学习和轮廓点云重建的目标位姿估计方法，包括以下步骤：S1、对双目视觉系统进行标定并立体校正；S2、使用训练得到的目标检测网络模型识别出左、右摄像机图像中的目标，并得到目标的边界区域；S3、对左右摄像机图像中检测的目标的边界区域使用LSD算法进行直线段检测；S4、结合深度学习目标检测网络的输出和多约束的方法对直线段进行匹配；S5、重建目标的轮廓点云；S6、对目标进行位姿估计。本发明通过左右摄像机，利用YOLOv4深度学习算法并结合轮廓点云重建，立体匹配的计算时间短，同时计算量小，同时普通摄像机成本大大降低。