摘要：针对动态运动基元方法(DMP)在轨迹规划时忽略关节运动学约束,导致机械臂灵活度下降、轨迹跟踪精度低的问题,提出一种基于可操作性的改进版DMP(M-DMP)。该方法首先通过数值解确定冗余机械臂当前的可操作性梯度,并分别从末端速度分量和零空间分量调整动态运动基元的外力耦合项。然后设计了动态参数,能够自适应调节外力耦合项大小,保证机械臂运行时的灵活度。其次为解决原方法无法避障,以及避障过程中可能出现灵活度降低的问题,利用指数函数优化势力场后,将其与M-DMP结合实现避障。通过理论分析证明了M-DMP的稳定性。最后在多种场景下进行仿真和实物实验,结果表明M-DMP方法在避开障碍物的同时,降低了53.56%的轨迹跟踪误差,并将可操作性提高了27.69%。

摘要：针对视觉里程计易受到动态物体及遮挡因素影响导致的位姿估计准确度低、鲁棒性差等问题,提出一种基于运动约束的无监督视觉里程计算法。首先通过最小重投影误差方法处理了大范围场景中的前景遮挡,考虑到现实场景中的运动物体影响,结合光流估计设计了一种运动掩膜处理方法,有效剔除了场景中动态物体像素信息;其次,对于场景中的重复结构和均匀纹理区域,通过数据驱动从轨迹数据中学习车辆的行为模式,建立运动学约束,将车辆运动模型建模为多源时间序列回归模型,避免陷入局部解;最后,结合运动掩膜与运动学模型约束所设计的无监督深度学习框架,对单目相机运动位姿及场景深度进行同步估计,提高了位姿估计精度及模型适应性。在KITTI道路公开数据集和校园低速无人车平台上的实验结果表明,所设计算法的位姿估计精度及深度估计精度优于目前主流无监督单目视觉里程计方法。