基于深度学习的配电高压操作机器人运动控制技术研究
摘要
随着人工智能的快速发展，体感控制成为机器人人机交互的热点方向，如何快速且准确地识别人体姿态是完成体感控制的一大难点。此次研究将通过改进后的YOLOv4模型检测人体框架，改进后的堆叠沙漏网络模型识别关节点，以提高人体姿态识别的速度和准确率；并针对机器人上半身手臂运动和下半身步态控制的特点，开发关节点映射算法来对机器人进行体感控制，解决配电高压操作机器人进行人机交互时容易摔倒的问题。结果表明，改进后YOLOv4网络检测人体目标的最好结果为84.37%，改进堆叠沙漏网络模型的收敛损失函数为0.096，PCK值为88.3%；研究模型的识别速度均值较CPN模型提高了21.5s，表明研究模型在提高人体姿态识别准确率的同时，提高了体感控制的效率，在体感控制领域有一定的研究价值。
关键词
YOLOv4；堆叠沙漏；关节点识别；机器人；体感控制
全文:
PDF参考
[1]刘世平，胡竹，程力，等．仿人机器人手臂动作模仿系统 的研究与实现[J]． 机械设计与制造，2022，（2）：300 － 304．
[2]刘庆祥，郭冰菁，韩建海，等．体感交互式上肢镜像康复训练 机器人系统[J]．工程设计学报，2022，29（2）：143－152．
[3]冯帅颀，冯杰，常婕．基于 Kinect 的消防机器人体感控制 系统设计研究[J]．消防科学与技术，2021，40（4）：548－ 550．
[4]徐坤，周子昂，王祺，等．基于激光视觉传感器的智能家 居体感交互系统设计[J]．激光杂志，2022，43（9）：218－ 223．
[5]龙年，刘智惠．虚拟运动目标人机交互方法设计与仿 真[J]．计算机仿真，2022，39（6）：201－205．
作者简介，郎子倩，河北科技学院，出生年 2004 年，女，民族：汉族，籍贯：河北省定州市。
第二作者简介，孟健鹏，河北科技学院，出生年 1987 年，男，民族：汉族，籍贯：河北省唐山市滦南县，学历：本科，职
称：中级工程师，电气工程及其自动化。
(4 摘要 Views, 8 PDF Downloads)
Refbacks
- 当前没有refback。