【技术实现步骤摘要】
一种移动式冰壶比赛观测小车
[0001]本专利技术涉及机器人
,具体为一种移动式冰壶比赛观测小车。
技术介绍
[0002]冰壶被称为冰上国际象棋,冰壶机器人对冰壶运动员训练以及冰壶机器人比赛展示具有重要意义,市场上的冰壶机器人由轮式移动机器人、冰壶夹臂以及观测相机等组成,冰壶机器人能够检测冰壶位置,确定投壶角速度和线速度,采用自适应深度强化学习训练冰壶机器人。
[0003]但是,传统的冰壶机器人存在以下缺点:
[0004]市场上现有的冰壶机器人只是单一的对冰壶场所上的冰壶位置进行检测,应用于观测冰壶场地的机器人尚且少见,减小了冰壶机器人的使用范围。
技术实现思路
[0005]本专利技术的目的在于提供一种移动式冰壶比赛观测小车,以解决上述
技术介绍
中提出的市场上现有的冰壶机器人只是单一的对冰壶场所上的冰壶位置进行检测,应用于观测冰壶场地的机器人尚且少见,减小了冰壶机器人的使用范围的问题。
[0006]为实现上述目的,本专利技术提供如下技术方案:一种移动式冰壶比赛观测小车,包括观测小车本体,所述观测小车本体的底端安装有移动轮,所述观测小车本体的一侧固定安装有ROS系统主控机,所述观测小车本体上固定安装有位于ROS系统主控机下方的冰壶场地观测系统,所述观测小车本体的顶端转动连接有若干个机械臂,每两个相邻所述机械臂之间均安装有舵机,位于上方的机械臂的顶端固定安装有视觉传感器,所述移动机构包括双头电机、两个安装轴、四个移动轮、两个旋转轴、速度传感器、两个主动伞状斜齿和两个从动伞状斜齿 ...
【技术保护点】
【技术特征摘要】
1.一种移动式冰壶比赛观测小车,包括观测小车本体(1),其特征在于:所述观测小车本体(1)的底端安装有移动轮(2),所述观测小车本体(1)的一侧固定安装有ROS系统主控机(5),所述观测小车本体(1)上固定安装有位于ROS系统主控机(5)下方的冰壶场地观测系统(6),所述观测小车本体(1)的顶端转动连接有若干个机械臂(4),每两个相邻所述机械臂(4)之间均安装有舵机(7),位于上方的机械臂(4)的顶端固定安装有视觉传感器(3),所述移动机构(2)包括双头电机(21)、两个安装轴(22)、四个移动轮(23)、两个旋转轴(24)、速度传感器(25)、两个主动伞状斜齿(26)和两个从动伞状斜齿(27),所述冰壶场地观测系统(6)包括电路板(61)、目标检测模块(62)和坐标解算模块(63)。2.根据权利要求1所述的一种移动式冰壶比赛观测小车,其特征在于:所述电路板(61)的表面固定安装有目标检测模块(62)和坐标解算模块(63)。3.根据权利要求1所述的一种移动式冰壶比赛观测小车,其特征在于:所述双头电机(21)的两个输出端均固定安装有旋转轴(24),两个所述旋转轴(24)远离双头电机(21)的一端均固定安装有主动伞状斜齿(26),两个所述安装轴(22)的两端均固定安装有移动轮(23),两个所述安装轴(22)的中部均固定安装有从动伞状斜齿(27),两个所述主动伞状斜齿(26)的外侧分别与两个从动伞状斜齿(27)的外侧啮合连接,所述双头电机(21)的表面固定安装有速度传感器(25)。4.根据权利要求1所述的一种移动式冰壶比赛观测小车,其特征在于:两个所述安装轴(22)的表面分别与观测小车本体(1)底端的两侧转动连接,所述双头电机(21)的顶端与观测小车本体(1)底端的中部固定连接。5.根据权利要求1所述的一种移动式冰壶比赛观测小车,其特征在于:所述速度传感器(25)的一侧、视觉传感器(3)的一侧、目标检测模块(62)的一侧和坐标解算模块(63)的一侧均通过导线与ROS系统主控机(5)的一侧连接。6.根据权利要求1
‑
5任一所述的一种移动式冰壶比赛观测小车目标检测模块的检测过程,其特征在于,包括以下步骤:步骤一、通过带有冰壶标注的大量冰壶场地图片,使用神经网络进行模型训练:通过带有冰壶标注的大量冰壶场地图片,使用神经网络进行模型训练,该神经网络主要分为输入端、主干特征提取网络、特征融合部分、输出端;步骤二、获取真实冰壶赛道场景图片,通过模型计算出冰壶赛道场地中的冰壶:获取真实冰壶赛道场景图片,进行数据采集、数据集标注,通过模型计算出冰壶赛道场地中的冰壶并评价指标。7.根据权利要求6所述的一种移动式冰壶比赛观测小车目标检测模块的检测过程,其特征在于:所述步骤一种输入端为本神经网络采用了Mosaic数据增强,对数据进行随机缩放裁剪拼接,其针对检测框回归采用了自适应锚框的算法,对于不同的数据集预先会设置一些初始的锚框大小,在网络训练过程中锚框进行迭代并与真实框的groundtruth进行比较,通过不断迭代更新使之更加接近真实锚框大小,有效提高了检测框的精度,在基于图像的神经网络进行推理的时候,如果要对不同大小的图片进行网络的输入,经常会采用的一个方式是将图片缩放成相同的大小,由于很多图片长宽比不一样,缩放填充后可能会存在信息冗余,影响模型的推理速度,本神经网络采用取模填充的方式进行缩减黑边,提高模型推理速度,所述主干特征提取网络为本神经网络将高分辨率图像进行隔离采样拼接,有效
减小了下采样带来的损失并加入跨级局部结构CSP来让模型学习到更多的特征,网络中涉及的CSP结构分为CSP1_X结构与CSP2_X结构,在主干特征提取网络中主要用到了CSP1_X结构,CSP2_X结构在特征融合部分进行了应用,CSP1_X结构由卷积层、残差结构Botttleneck、批归一化Batch Normalization、BN以及Leaky ReLU激活函数构成,CSP2_X中相较于CSP1_X缺少了残差结构,同时,为了融合不同尺度特征图的信息来扩大感受野,其在主干网络最后添加了空间金字塔池化模块SPP,所述特征融合为部分采用FPN+PAN的结构进行融合,经过下采样后,分别生成三个大小为76*76、38*38、19*19的特征图在后续融合形成特征金字塔,特征金字塔顶层特征图向下融合形成了FPN层,向下传达强语义特征,向上融合形成了PAN结构,表达强定位特征。这二者相融合,提高了网络特征提取能力,所述输出端为针对预测框的损失函数进行优化,采用CIOU_Loss作为损失函数,解决了预测框与真实框完全不重合时预测框与真实框交并比IOU为0,无法得知预测框与真实框的距离,导致损失函...
【专利技术属性】
技术研发人员:冷晓琨,严力,金野,刘鹏,赵巍,刘松波,
申请(专利权)人:哈尔滨工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。