本技术涉及计算机视觉和控制技术领域,提出了一种结合目标检测和模型预测控制的板球系统控制方法。该方法在传统的霍夫圆检测技术之上,融入颜色识别技术,实现了对板球运动的精准跟踪和控制。
背景技术
目标检测是计算机视觉中的基本任务之一,就是在一张图片中对感兴趣的目标进行识别和定位,是许多其他计算机视觉任务的基础,如实例分割、图像字幕、目标跟踪等。目标检测算法大致分为两个阶段:传统的目标检测算法和基于深度学习的目标检测算法。随着近些年硬件计算能力的提高、深度学习的快速发展和高质量数据集的公开,研究者们提出越来越多的目标检测算法。目前基于深度学习的检测算法一般可分为两种类型:具有代表性的有两阶段目标探测器,如R-CNN系列算法和单阶段目标探测器,如YOLO系列算法。虽然深度学习算法在目前适用性能力很强,但是针对于板球系统而言,检测目标比较单一,只需要检测小球的实时位置,所以不需要那么复杂的检测网络。而针对于小球的检测,用霍夫圆检测算法即可,该算法不同于其它传统的目标检测算法。其它传统的目标检测算法一般经过区域建议、特征提取和分类回归,检测效率比较低,检测速度也不够快。而霍夫圆检测算法只针对于圆的检测,利用投票的方法,先确定圆心,由圆心再来确定半径,从而完成对圆的检测,检测过程比其它传统的检测算法简单,检测速度比其它传统的要快。
小球被实时检测出来之后,尽可能地让小球滚到板子的中心位置,不让小球从板子上掉落下来,就要对小球的位置进行控制。而目前工业实践中得到广泛而成功应用的两类控制算法为PID控制算法和MPC控制算法。PID控制以其结构简明、操作便捷、性能优越而作为工业控制的主要控制之一,为了实现期望的控制效果,PID控制中既可以P、PI、PD、PID的形式出现,也有一些其他的变形。MPC控制算法具有展示系统未来动态行为的功能,这样就可以利用预测模型来预测未来时刻被控对象的输出变化及被控变量与其给定值的偏差,作为确定控制作用的依据,使其适应动态系统所具有的因果性特点,得到比常规控制更好的控制效果。而针对于板球控制系统而言,动态特性比较复杂,用PID控制并不一定能取得理想的调节效果,此时用MPC算法效果会更好。
通过目标检测得到的小球的位置并对其实时检测,由于环境的干扰,有一些近似于圆的干扰物也被识别为目标物体,对检测造成很大影响。而且此时小球的位置是在相机坐标系中的位置,若让机械臂控制小球的位置首先要让机械臂知道小球的位置在哪,所以要通过相机标定将小球的位置转换到机械臂的基坐标系下。要让机械臂根据小球的实时位置来调整板子的角度从而调整小球的位置,使小球尽可能地到达并稳定在板子的中心,而这个板子的倾斜角是一个三维的角度,想要达到理想的控制效果,这一工作较为困难。
实现思路