27、基于视觉特征提取的机器人应用研究

基于视觉特征提取的机器人应用研究

在资源受限的机器人领域，视觉特征提取算法（FEA）的性能至关重要。本文将重点介绍BRISK0 - U - BRISK FEA以及基于迭代学习控制的机器人伺服执行器模型识别方法，探讨它们在不同场景下的应用和优势。

BRISK0 - U - BRISK FEA的测试与优化

为了确保BRISK0 - U - BRISK FEA展现出最佳的整体性能，研究人员将其与其他四种FEA进行了对比测试。测试在三种不同环境中进行，分别是标准的RoboCup环境、大型展厅和办公室。

在每个环境中，研究人员生成了重叠图像数据集和非重叠图像数据集。如果第一幅图像至少有50%在视觉上与第二幅图像重叠，则认为这对图像相互重叠，这一过程通过手动操作确保图像确实重叠。在所有三个数据集中，共捕获了200张图像，这些图像的尺度在3米范围内变化，方向在Nao机器人头部的全偏航范围内变化，最终生成了2540对重叠图像和4290对非重叠图像。

参数优化

为了验证BRISK0 - U - BRISK是一种计算高效且准确的FEA，研究人员将其与其他知名FEA的变体进行了比较，包括BRISK - BRISK、BRISK0 - BRISK、BRISK0 - SURF2D和1D SURF。

每种FEA都有一组需要预先定义的参数，以准确高效地匹配图像。这些参数包括：
- 最小兴趣点检测阈值（MIPDT）：高于该阈值的像素被检测为兴趣点。
- 最大可接受汉明距离（MAHD）：兴趣点描述符之间允许不同的最大位数，超过该距离则不被标记为匹配。
- 最大可接受欧几里得距离（MAED）：两个描述符之间的最大欧几里得距离