移动机器人的目标跟随控制方法与相关技术
移动机械手运动目标检测与跟踪技术研究
移动机械手运动目标检测与跟踪技术研究一、内容概要随着科技的不断发展，移动机械手在工业生产中的应用越来越广泛。
然而由于环境复杂、目标多变以及机械手运动的特殊性，给移动机械手的运动目标检测与跟踪技术带来了很大的挑战。
为了提高移动机械手的自主性和智能化水平，本文对移动机械手运动目标检测与跟踪技术进行了深入研究。
本文首先介绍了移动机械手的基本概念和工作原理，分析了其在工业生产中的重要性和应用前景。
接着针对移动机械手运动目标检测与跟踪技术的现状，提出了一种基于深度学习的目标检测与跟踪方法。
该方法结合了传统目标检测算法和深度学习技术的优势，能够有效地识别和跟踪移动机械手运动过程中的各种目标。
为了验证所提出方法的有效性，本文通过实验对比分析了不同方法在移动机械手运动目标检测与跟踪任务上的表现。
实验结果表明，所提出的基于深度学习的目标检测与跟踪方法具有较高的检测率和跟踪精度，能够满足移动机械手在复杂环境下的实时监控需求。
1. 研究背景和意义随着科技的不断发展，移动机械手在工业生产、物流配送等领域的应用越来越广泛。
然而由于移动机械手的特殊性，如高度灵活、操作空间有限等，使得其在实际应用过程中面临着诸多挑战，如运动目标检测与跟踪技术的研究尤为重要。
本文旨在通过对移动机械手运动目标检测与跟踪技术研究，提高移动机械手的自动化水平，降低人工干预的需求，从而提高生产效率和质量。
近年来随着人工智能技术的快速发展，机器人技术在各个领域取得了显著的成果。
特别是在工业生产、物流配送等领域，机器人技术的应用已经逐渐成为一种趋势。
然而由于移动机械手的特殊性，如高度灵活、操作空间有限等，使得其在实际应用过程中面临着诸多挑战，如运动目标检测与跟踪技术的研究尤为重要。
本文通过对移动机械手运动目标检测与跟踪技术研究，具有以下几个方面的研究意义：提高移动机械手的自动化水平。
通过研究运动目标检测与跟踪技术，可以实现对移动机械手周围环境的实时感知和精确控制，从而提高移动机械手的自动化水平。
《轮式移动机器人轨迹跟踪智能控制》范文
《轮式移动机器人轨迹跟踪智能控制》篇一一、引言随着科技的不断进步，轮式移动机器人在各个领域的应用越来越广泛，如工业自动化、军事侦察、服务机器人等。
在这些应用中，轨迹跟踪的准确性和智能性成为评价机器人性能的重要指标。
本文旨在研究轮式移动机器人轨迹跟踪的智能控制技术，探讨其应用与优势，并提出相应的解决方案。
二、轮式移动机器人概述轮式移动机器人是一种常见的移动机器人类型，具有结构简单、移动灵活、运动速度快等优点。
其运动主要依靠电机驱动的轮子实现。
根据不同的需求，轮式移动机器人可分为单轮驱动、双轮驱动等不同类型。
此外，其内部控制系统也是机器人正常运行的关键。
三、轨迹跟踪的挑战与需求轨迹跟踪是轮式移动机器人的核心功能之一。
然而，在实际应用中，轨迹跟踪面临诸多挑战。
如复杂的外部环境和内部分布式控制系统可能导致机器人轨迹偏离设定路线，使得任务无法准确完成。
因此，我们提出了一个高质量的轨迹跟踪智能控制方案，以解决这些问题。
四、智能控制方案的设计与实现为了实现准确的轨迹跟踪，我们采用了先进的传感器技术和机器学习算法。
首先，通过高精度的传感器实时获取机器人的位置和姿态信息。
然后，利用机器学习算法对数据进行处理和分析，以实现智能决策和控制。
具体来说，我们采用了以下步骤：1. 传感器数据采集：通过激光雷达、摄像头等传感器实时获取环境信息，包括障碍物位置、道路情况等。
2. 路径规划：根据获取的传感器数据，利用算法进行路径规划，为机器人制定合理的运动路线。
3. 反馈控制：将实际位置与目标轨迹进行比较，计算偏差并进行反馈控制，调整电机的输出力矩以使机器人回到正确的轨迹上。
4. 机器学习：利用深度学习等算法对历史数据进行学习，以提高轨迹跟踪的准确性和鲁棒性。
五、实验结果与分析为了验证我们的智能控制方案的有效性，我们在不同环境下进行了实验。
实验结果表明，我们的方案在各种复杂环境下均能实现准确的轨迹跟踪。
此外，我们还对不同算法进行了对比分析，发现我们的方案在准确性和鲁棒性方面均具有显著优势。
移动机器人运动目标检测与追踪方法研究
移动机器人运动目标检测与追踪方法研究移动机器人运动目标检测与追踪方法研究近年来，移动机器人技术在人们的日常生活和工业生产中得到了广泛的应用。
其中，移动机器人的运动目标检测与追踪是一个重要的研究领域。
本文将对移动机器人运动目标检测与追踪方法进行详细探讨。
一、引言移动机器人的运动目标检测与追踪在实际应用中具有重要意义。
通过检测和追踪目标可以实现很多实际的任务，比如智能家居系统中的人体检测、工业生产中的物体识别等。
因此，研究高效准确的检测和追踪方法对于提高机器人的智能化程度具有重要的意义。
二、运动目标检测方法1. 图像处理方法图像处理方法是目标检测的常用方法之一。
它基于计算机视觉技术，通过对图像进行处理，提取目标的特征并进行分类。
常见的图像处理方法包括边缘检测、模板匹配、颜色空间分割等。
这些方法通常可以提取出目标的轮廓和颜色特征，从而实现目标的检测。
2. 深度学习方法深度学习方法是目前目标检测和追踪领域的热门研究方向。
通过使用深度神经网络，可以有效地提取目标的特征，从而实现高精度的目标检测和追踪。
常见的深度学习方法包括卷积神经网络（CNN）、循环神经网络（RNN）等。
这些方法在目标检测和追踪领域取得了显著的进展。
三、运动目标追踪方法1. 单目标追踪方法单目标追踪方法是最基础的追踪方法。
它通过对目标进行跟踪，来实现目标的追踪任务。
常见的单目标追踪方法包括卡尔曼滤波器、粒子滤波器等。
这些方法可以根据目标的运动状态进行预测，并进行目标的追踪。
2. 多目标追踪方法多目标追踪方法是在单目标追踪方法基础上发展而来的。
它可以同时追踪多个目标，并对目标之间的关系进行建模。
常见的多目标追踪方法包括多目标卡尔曼滤波器、多目标粒子滤波器等。
这些方法可以实现对多个目标的高效追踪。
四、实验结果与分析本文使用了基于深度学习的目标检测和追踪方法，并在真实场景下进行了实验。
实验结果显示，所提出的方法在目标检测和追踪任务中取得了较好的效果。
移动机器人路径规划和轨迹跟踪算法
移动机器人路径规划和轨迹跟踪算法在当今科技飞速发展的时代，移动机器人已经在众多领域得到了广泛的应用，从工业生产中的自动化物流搬运，到家庭服务中的智能清洁机器人，再到医疗领域的辅助手术机器人等等。
而要让这些移动机器人能够高效、准确地完成各种任务，关键就在于其路径规划和轨迹跟踪算法的有效性。
路径规划，简单来说，就是为移动机器人找到一条从起始点到目标点的最优或可行路径。
这就好像我们在出门旅行前规划路线一样，要考虑距离、路况、时间等诸多因素。
对于移动机器人而言，它所面临的环境可能更加复杂多变，比如充满障碍物的工厂车间、人员密集的商场等。
因此，路径规划算法需要具备强大的计算能力和适应能力。
常见的路径规划算法有很多种，比如基于图搜索的算法，像 A 算法。
A 算法通过对地图进行网格化，并为每个网格节点赋予一个代价评估值，从而逐步搜索出最优的路径。
它的优点是能够快速找到较优的路径，但在处理大规模地图时，计算量可能会较大。
还有基于采样的算法，如快速扩展随机树（RRT）算法。
RRT 算法通过在空间中随机采样，并逐步扩展生成树的方式来探索路径。
这种算法在高维空间和复杂环境中的适应性较强，但可能得到的路径不是最优的。
另外，基于人工势场的算法也是一种常用的方法。
它将目标点视为吸引源，障碍物视为排斥源，通过计算合力来引导机器人运动。
这种算法计算简单，但容易陷入局部最优。
轨迹跟踪则是在已经规划好路径的基础上，让机器人能够准确地按照预定的路径进行运动。
这就要求机器人能够实时感知自身的位置和姿态，并根据与目标轨迹的偏差进行调整。
在轨迹跟踪中，PID 控制器是一种常见的方法。
它通过比例、积分和微分三个环节的作用，对偏差进行修正。
PID 控制器简单易用，但对于复杂的非线性系统，其控制效果可能不够理想。
为了提高轨迹跟踪的精度和鲁棒性，现代控制理论中的模型预测控制（MPC）也得到了广泛应用。
MPC 通过预测未来一段时间内的系统状态，并优化控制输入，来实现更好的跟踪性能。
移动机器人的全局轨迹跟踪控制
移动机器人的全局轨迹跟踪控制的报告，800字
移动机器人全局轨迹跟踪控制是一种实现机器人移动目标的技术，它可以帮助机器人以更高效的方式达到目的地。
本报告将介绍机器人全局轨迹跟踪控制的原理、具体应用及其在工业机器人中的重要性。
首先，我们来介绍机器人全局轨迹跟踪控制的原理。
这种控制技术是通过对机器人的移动路径和导航系统进行计算和控制，帮助机器人以最优的方式完成目标任务。
它能够收集周围环境信息，并通过精确的移动路径计算和定位，使机器人避免和检测障碍物等，以达到机器人最佳的定位效果。
全局轨迹跟踪控制技术广泛应用于各个领域，其应用也有很大不同。
例如，该技术可用于无人机的飞行路径计算和控制，也可以用于实现机器人精确的定位。
在工厂自动化系统中，通过这项技术可以帮助机器人精确定位，以实现精确的目标控制。
此外，在服务机器人领域，该技术也可以应用于服务机器人路径规划和控制，保证服务机器人准确地完成任务。
机器人全局轨迹跟踪控制是自动化技术发展的核心，它能够帮助机器人准确地定位，保证机器人的最优移动效果。
在工业机器人领域，全局轨迹跟踪控制技术应用十分广泛，它不仅可以帮助机器人准确定位，而且还可以实现精确的机器人路径跟踪和控制，保证机器人准确地执行任务。
综上所述，机器人全局轨迹跟踪控制是当前自动化技术发展的重要组成部分，其应用非常广泛，在但工业机器人领域尤为重
要。
未来，随着自动化技术的进一步发展，机器人全局轨迹跟踪控制将会发挥越来越重要的作用，带来更多更好的机器人服务和技术应用。
《轮式移动机器人轨迹跟踪智能控制》范文
《轮式移动机器人轨迹跟踪智能控制》篇一一、引言随着科技的进步和人工智能的飞速发展，轮式移动机器人在工业、军事、医疗、服务等领域的应用越来越广泛。
其中，轨迹跟踪智能控制是轮式移动机器人研究的重要方向之一。
本文将深入探讨轮式移动机器人的轨迹跟踪智能控制技术，包括其原理、方法、应用和挑战等方面。
二、轮式移动机器人轨迹跟踪的基本原理轮式移动机器人的轨迹跟踪主要依赖于其运动学模型和控制系统。
运动学模型描述了机器人的运动状态与输入之间的关系，而控制系统则根据设定的轨迹和当前状态，通过算法计算出控制指令，使机器人能够准确跟踪目标轨迹。
三、智能控制方法在轨迹跟踪中的应用1. 传统控制方法：传统的轨迹跟踪方法主要包括PID控制、模糊控制等。
这些方法简单易行，但在复杂环境下效果不佳，容易受到外界干扰。
2. 智能控制方法：随着人工智能技术的发展，越来越多的智能控制方法被应用于轮式移动机器人的轨迹跟踪。
如基于神经网络的控制方法、基于强化学习的控制方法等。
这些方法能够根据环境变化自适应调整控制策略，提高机器人的轨迹跟踪性能。
四、智能控制算法的优化与实现针对轮式移动机器人的轨迹跟踪问题，本文提出一种基于深度学习的智能控制算法。
该算法通过训练神经网络模型，使机器人能够学习并适应各种复杂环境下的轨迹跟踪任务。
具体实现步骤包括：1. 数据集准备：收集大量轮式移动机器人的轨迹数据，包括正常环境下的数据和复杂环境下的数据。
2. 神经网络模型构建：设计合适的神经网络结构，包括输入层、隐藏层和输出层。
输入层接收机器人的当前状态和目标轨迹信息，输出层输出控制指令。
3. 训练过程：使用收集的数据集对神经网络模型进行训练，使模型能够学习并掌握各种环境下的轨迹跟踪技能。
4. 优化与调整：根据训练结果对模型进行优化和调整，提高其性能和鲁棒性。
五、应用与挑战轮式移动机器人的轨迹跟踪智能控制在许多领域都有广泛的应用前景。
例如，在无人驾驶汽车中，智能控制算法可以使汽车在复杂道路环境下准确跟踪行驶轨迹；在工业生产中，轮式移动机器人可以准确完成物料搬运、装配等任务。
移动机器人5大常见定位技术
移动机器人5大常见定位技术移动机器人目前已经遍布军事、工业、民用等各大领域，并还在不断的发展中，目前移动机器人技术已获得了可喜的进展，研究成果令人鼓舞，但对于实际中的应用需求还需要长时间的发展，相信随着传感技术、智能技术和计算技术等的不断提高，智能移动机器人一定能够在生产和生活中扮演人的角色。
那么移动机器人定位技术主要涉及到哪些呢？经总结目前移动机器人主要有这5大定位技术。
一、移动机器人超声波导航定位技术超声波导航定位的工作原理也与激光和红外类似，通常是由超声波传感器的发射探头发射出超声波，超声波在介质中遇到障碍物而返回到接收装置。
通过接收自身发射的超声波反射信号，根据超声波发出及回波接收时间差及传播速度，计算出传播距离S，就能得到障碍物到机器人的距离，即有公式：S=Tv/2式中，T—超声波发射和接收的时间差；v—超声波在介质中传播的波速。
当然，也有不少移动机器人导航定位技术中用到的是分开的发射和接收装置，在环境地图中布置多个接收装置，而在移动机器人上安装发射探头。
在移动机器人的导航定位中，因为超声波传感器自身的缺陷，如：镜面反射、有限的波束角等，给充分获得周边环境信息造成了困难，因此，通常采用多传感器组成的超声波传感系统，建立相应的环境模型，通过串行通信把传感器采集到的信息传递给移动机器人的控制系统，控制系统再根据采集的信号和建立的数学模型采取一定的算法进行对应数据处理便可以得到机器人的位置环境信息。
由于超声波传感器具有成本低廉、采集信息速率快、距离分辨率高等优点，长期以来被广泛地应用到移动机器人的导航定位中。
而且它采集环境信息时不需要复杂的图像配备技术，因此测距速度快、实时性好。
同时，超声波传感器也不易受到如天气条件、环境光照及障碍物阴影、表面粗糙度等外界环境条件的影响。
超声波进行导航定位已经被广泛应用到各种移动机器人的感知系统中。
二、移动机器人视觉导航定位技术在视觉导航定位系统中，目前国内外应用较多的是基于局部视觉的在机器人中安装车载摄像机的导航方式。
轮式移动机器人轨迹跟踪的pid控制方法
轮式移动机器人轨迹跟踪的pid控制方法随着轮式移动机器人自主导航技术的发展，轨迹跟踪成为了一个重要的问题。
PID控制器是一种常用的控制器，在轮式移动机器人的轨迹跟踪中也有着广泛的应用。
本文将介绍一种基于PID控制的轮式移动机器人轨迹跟踪方法。
首先，我们需要确定轮式移动机器人的轨迹跟踪目标，即期望路径。
一般情况下，期望路径可以是一条直线或者一条曲线。
在本文中，我们以一条曲线为例进行说明。
其次，我们需要获取轮式移动机器人的当前位置信息。
这可以通过机器人上安装的传感器实现，如GPS、陀螺仪等。
在获取到当前位置信息后，我们需要将其与期望路径进行比较，得到偏差值。
然后，我们利用PID控制器对偏差值进行控制，从而使机器人能够跟随期望路径行驶。
PID控制器的输入是偏差值，输出是校正量，其计算公式如下：
校正量 = Kp ×偏差值 + Ki ×积分项 + Kd ×导数项
其中，Kp、Ki、Kd是PID控制器的参数，需要通过实验进行调整。
积分项和导数项分别表示偏差值的累积量和变化率，可以有效地消除偏差值的漂移和抖动。
最后，我们将校正量转化为机器人的控制指令，如电机驱动信号。
这样，机器人便可以根据PID控制器的输出实现轨迹跟踪。
综上所述，基于PID控制的轮式移动机器人轨迹跟踪方法能够实现精准的路径控制，具有较高的应用价值。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
本技术公开了一种移动机器人的目标跟随控制方法，包括步骤：在移动机器人上设置三角摄像机组，且分配对应ID号和视角范围；采集获得跟随目标身份特征，及将其上传和存储；检测待跟随目标的身份特征及上传至云服务器，由云服务器特征匹配，匹配成功时确定和锁定该待跟随目标为跟随目标；人对所锁定跟随目标跟踪，获得跟随目标与移动机器人的相对方向；对所锁定跟随目标实时检测，计算获得相对距离；根据所获得跟随目标与移动机器人的相对方向、相对距离确定运动路线，及根据运动路线控制移动机器人向跟随目标运动。
本技术具备更高的特征检测功能和更高程度的自动化控制功能，可更好地用于机器人跟随过程。
权利要求书1.一种移动机器人的目标跟随控制方法，其特征在于，包括步骤：在移动机器人上设置三角摄像机组，且为每个摄像机分配对应ID号和视角范围；采集获得跟随目标身份特征，及将其上传和存储至云服务器；所述移动机器人利用三角摄像机组检测待跟随目标的身份特征及上传至云服务器，由云服务器根据上传的身份特征与所存储跟随目标身份特征匹配，在匹配成功时确定和锁定该待跟随目标为跟随目标；所述移动机器人对所锁定跟随目标实时跟踪，提取跟随目标所在摄像机的ID号和视角范围；对所提取视角范围进行分区设置，确定跟随目标所在分区位置；由所述摄像机的ID号和跟随目标所在分区位置获得跟随目标与移动机器人的相对方向；所述移动机器人对所锁定跟随目标实时检测，计算获得跟随目标与移动机器人的相对距离；根据所获得跟随目标与移动机器人的相对方向、相对距离确定运动路线，及根据运动路线控制移动机器人向跟随目标运动，以实现对跟随目标的跟随；以及，还包括判断所提取视角范围中跟随目标的位置是否发生偏离，及在发生偏离时控制移动机器人向跟随目标所偏离的方向转动；在发生偏离时，判断跟随目标是否出现在其他摄像机的视角范围中，及在出现于其他摄像机的视角范围中时进行跟随任务交接。
2.根据权利要求1所述移动机器人的目标跟随控制方法，其特征在于：所述方法采用窗口自适应的CamShift核密度估计算法对待跟随目标的人脸进行跟踪。
3.根据权利要求1所述移动机器人的目标跟随控制方法，其特征在于：所述方法采用基于Harr特征的Adaboost人脸检测算法对待跟随目标的人脸进行检测。
4.根据权利要求1所述移动机器人的目标跟随控制方法，其特征在于：所述方法还包括所述身份特征匹配失败时，由移动机器人发出提示警告。
5.根据权利要求1所述移动机器人的目标跟随控制方法，其特征在于：所述方法中移动机器人采用射频距离检测方法对所锁定跟随目标检测获得相对距离。
6.根据权利要求1所述移动机器人的目标跟随控制方法，其特征在于：所述方法还包括设置阈值，所述移动机器人根据阈值与相对距离的大小控制移动机器人运动。
7.根据权利要求1所述移动机器人的目标跟随控制方法，其特征在于：所述方法采用PID控制算法控制移动机器人根据运动路线向跟随目标运动。
8.根据权利要求1所述移动机器人的目标跟随控制方法，其特征在于：所述方法还包括利用超声波距离检测方法判断移动机器人的运动路线中是否存在障碍物，及当存在障碍物时重新计算确定运动路线。
技术说明书一种移动机器人的目标跟随控制方法技术领域本技术涉及一种移动机器人的目标跟随控制方法，属于机器人应用技术的领域。
背景技术随着人工智能技术的发展，机器人越来越多地应用到各种场景中。
例如，目前已经出现了作为娱乐用的机器人，无人驾驶车，机器狗以及平衡度极高的人形机器人等。
但更多的是，现在的机器人都开始进入平常生活中，并为人类提供服务了，如餐厅中的送餐机器人等。
在很多情况下，机器人提供服务时，通常要求机器人本身能定位自己所在的位置以及服务对象的位置。
例如，在博物馆中，可能会出现一种可以提供讲解服务的机器人，这时就需要一种能让机器人实时跟随客户的方法。
而目前的跟踪技术，首先必须定位，通常的定位有基站定位，惯性定位等技术，但这些技术都需要依赖多种外设，实现成本高，而且要求对场所进行网络布线，布线结构复杂，信号传输不稳定。
因此，现有的移动机器人在跟随过程中，无法利用摄像功能，对跟随目标进行特征提取和检测，使得移动机器人需要依赖复杂的布线网络结构，不利于快速且精准地实现跟随目标的跟随。
技术内容本技术所要解决的技术问题在于克服现有技术的不足，提供一种移动机器人的目标跟随控制方法，解决现有的移动机器人依赖复杂的布线网络结构，无法利用摄像功能对跟随目标进行特征提取和检测，不利于实现跟随目标的跟随的问题。
本技术具体采用以下技术方案解决上述技术问题：一种移动机器人的目标跟随控制方法，该方法基于移动机器人和云服务器，包括步骤：在移动机器人上设置三角摄像机组，且为每个摄像机分配对应ID号和视角范围；采集获得跟随目标身份特征，及将其上传和存储至云服务器；所述移动机器人利用三角摄像机组检测待跟随目标的身份特征及上传至云服务器，由云服务器根据上传的身份特征与所存储跟随目标身份特征匹配，由匹配成功时确定和锁定该待跟随目标为跟随目标；所述移动机器人对所锁定跟随目标实时跟踪，提取跟随目标所在摄像机的ID号和视角范围；对所提取视角范围进行分区设置，确定跟随目标所在分区位置；由所述摄像机的ID号和跟随目标所在分区位置获得跟随目标与移动机器人的相对方向；所述移动机器人对所锁定跟随目标实时检测，计算获得跟随目标与移动机器人的相对距离；根据所获得跟随目标与移动机器人的相对方向、相对距离确定运动路线，及根据运动路线控制移动机器人向跟随目标运动，以实现对跟随目标的跟随。
进一步地，作为本技术的一种优选技术方案：所述方法采用窗口自适应的CamShift核密度估计算法对待跟随目标的人脸进行跟踪。
进一步地，作为本技术的一种优选技术方案：所述方法采用基于Harr特征的Adaboost人脸检测算法对待跟随目标的人脸进行检测。
进一步地，作为本技术的一种优选技术方案：所述方法还包括所述身份特征匹配失败时，由移动机器人发出提示警告。
进一步地，作为本技术的一种优选技术方案：所述方法还包括判断所提取视角范围中跟随目标的位置是否发生偏离，及在发生偏离时控制移动机器人向跟随目标所偏离的方向转动。
进一步地，作为本技术的一种优选技术方案：所述方法还包括在发生偏离时，判断跟随目标是否出现在其他摄像机的视角范围中，及在出现于其他摄像机的视角范围中时进行跟随任务交接。
进一步地，作为本技术的一种优选技术方案：所述方法中移动机器人采用射频距离检测方法对所锁定跟随目标检测获得相对距离。
进一步地，作为本技术的一种优选技术方案：所述方法还包括设置阈值，所述移动机器人根据阈值与相对距离的大小控制移动机器人运动。
进一步地，作为本技术的一种优选技术方案：所述方法采用PID控制算法控制移动机器人根据运动路线向跟随目标运动。
进一步地，作为本技术的一种优选技术方案：所述方法还包括利用超声波距离检测方法判断移动机器人的运动路线中是否存在障碍物，及当存在障碍物时重新计算确定运动路线。
本技术采用上述技术方案，能产生如下技术效果：本技术所提供的移动机器人的目标跟随控制方法，通过对移动机器人所设置的摄像机组改进，利用三角摄像机组同时设置的方式，扩大视角范围，且便于计算跟随目标与移动机器人的相对方向，同时基于检测获得相对距离，由此确定移动机器人的运动路线，控制移动机器人根据运动路线进行移动，使得机器人能实时跟随所需要的目标，并提供服务，增强移动机器人的目标跟随功能，具备更高的特征检测功能和更高程度的自动化控制功能，使得该方法可以广泛地运用于各领域中。
可以有效解决现有的移动机器人依赖复杂的布线网络结构，无法利用摄像功能对跟随目标进行特征提取和检测，不利于实现跟随目标的跟随的问题。
附图说明图1为本技术的移动机器人的目标跟随控制方法的流程示意图。
图2为本技术中移动机器人所设置三角摄像机组的结构示意图。
图3为本技术中单个摄像机的视角范围的示意图。
图4为本技术中三角摄像机组的视角范围的示意图。
具体实施方式下面结合说明书附图对本技术的实施方式进行描述。
如图1所示，本技术设计了一种移动机器人的目标跟随控制方法，该方法基于移动机器人和云服务器，移动机器人和云服务器依靠无线传输技术建立通信，对于本方法具体包括如下步骤：步骤1、在移动机器人上设置三角摄像机组，且为每个摄像机分配对应ID号和视角范围；其中，如图2所示，图中圆圈表示移动机器人本体，三个不同方向的矩形表示三个摄像机构成三角摄像机组，其中三个摄像机沿移动机器人的不同方向设置；以及，单个摄像机的视角范围如图3所示，单个摄像机的视角范围可以进行分区设置，被分成若干个区域。
对于三个摄像机的视角范围，如图4所示，区域A、B、C分别是三个摄像机的视角范围，它们的视角范围之间可以重叠或不重叠，各重叠部分可分别视为CA和AB区域。
以及，三个摄像机可采用广角摄像机，组合起来可以监测超过120度的视角范围，但本技术不限于该种范围内，其他视角范围同样适用于本技术中。
步骤2、采集获得跟随目标身份特征，及将其上传和存储至云服务器。
具体地，可利用移动机器人所设置三角摄像机组中任意一个摄像机，即选择三角摄像机组中的一个，利用该摄像机对跟随目标进行身份特征包括人脸或衣着、性别等信息的采集，并上传到云服务器对跟随目标的身份特征进行建模；同时，设定其作为移动机器人的跟随目标，确立跟随与被跟随的关系，本技术中并不限于利用移动机器人上的摄像机，还可以利用其他摄像机采集获得跟随目标身份特征，本技术不对其进行限定。
步骤3、所述移动机器人利用三角摄像机组检测待跟随目标的身份特征及上传至云服务器，由云服务器根据上传的身份特征与所存储跟随目标身份特征匹配，由匹配成功时确定和锁定该待跟随目标为跟随目标。
在进行待跟随目标的身份特征提取过程中，本技术优选采用窗口自适应的CamShift核密度估计算法对待跟随目标的人脸进行跟踪。
该检测算法检测待跟随目标的人脸特征过程如下：步骤21：将移动机器人的摄像机组采集到待跟随目标身份特征的RGB图像转化为HSV图像。
步骤22：根据HSV图像计算人脸目标区域的色彩直方图。
步骤23：根据所计算的色彩直方图，计算确定HSV图像中色彩的概率分布，获得颜色概率直方图。
步骤24：通过颜色直方图选取搜索窗的大小与初始位置，采用窗口自适应的CamShift核密度估计算法对人脸进行跟踪。
窗口自适应的CamShift核密度估计算法其基本原理是对视频序列的所有图像帧都作MeanShift运算，并将上一帧的结果即搜索窗口的中心位置和窗口大小，作为下一帧MeanShift算法的搜索窗口的初始值，如此迭代下去，就可以算出每一帧中目标窗口的中心位置和大小，从而实现对待跟随目标的人脸跟踪。
在此基础上，获得待跟随目标的身份特征及上传至云服务器；云服务器根据上传的身份特征与所存储跟随目标身份特征匹配，由匹配成功时确定和锁定该待跟随目标为跟随目标，若匹配失败则由所述移动机器人发出提示警告，提示跟随目标引导机器人重新锁定跟随目标。