7、机器人场景分析与步态检测技术解析

机器人场景分析与步态检测技术解析

1. 步态检测相关研究

在步态检测研究中，采用基于规则的算法与滤波方法相结合的方式，这使得算法需要前一时间步的测量数据。该算法具有一定优势，其底层算法无需优化迭代，从而保证了实时性，并且规则算法的灵活性使其能适应高度变化的曲线。然而，它也存在整体时间延迟的问题，为进一步减少时间延迟，可采用特别适配的滤波方法。

在仿真中，机器人Sweaty借助此算法能够在斜面上稳定移动。后续研究将使用测力板和光学运动捕捉系统对该算法进行验证。对于人形机器人的应用，算法将扩展到曲线行走、侧向行走和向后行走。未来，该算法还将用于让机器人Sweaty在倾斜表面上行走。

2. 机器人场景分析现状

移动自主机器人在未知或变化的环境中需要依据周围场景分析来做决策，主要使用的传感器有相机和激光雷达（LIDAR）。LIDAR能提供周围环境的可靠地图，在物体定位上比仅使用相机更精确，有助于确保人机交互的高安全性。

2.1 基于图像的目标检测

相机是机器人场景分析中常用的传感器，基于卷积神经网络（CNN）的检测器较为高效，有单阶段和两阶段之分。两阶段模型比单阶段模型（如YOLO）更准确，但计算速度较慢。例如，在Coco数据集上，使用Intel i7 - 8700 CPU和NVIDIA GeForce RTX 2080Ti 12GB GPU处理640×960图像时，最准确的模型（如Faster RCNN Res2Net101）平均精度（AP）可达32.4，但计算时间为63 ms；若要达到30 FPS的计算速度，需使用Mobile Net模型，但会损失一定精度（mAP = 24.3）。

相机虽信息丰富，但在高帧率下提