视觉在导航中的应用 综述
计算机视觉中的图像配准技术综述
计算机视觉中的图像配准技术综述引言计算机视觉中的图像配准技术是一种将多个图像对齐和融合的关键技术。
图像配准技术在医学影像、地理遥感、计算机图形学等领域都有着广泛的应用。
本文将对计算机视觉中的图像配准技术进行综述，包括图像配准的定义、算法原理、分类和应用。
通过对各个方面的概述和分析，希望读者可以对图像配准技术有更深入的了解。
一、图像配准的定义图像配准是指将多个图像按照某种准则对齐和融合的过程。
在图像配准中，通常有一个参考图像（reference image）和一个或多个需要对齐的目标图像（target image）。
图像配准的目的是将目标图像转换到参考图像的空间坐标系中，以使两个或多个图像之间拥有相同的尺度、方向和位置关系。
二、图像配准的算法原理图像配准的算法原理主要包括特征提取、特征匹配和变换模型估计。
具体步骤如下：1. 特征提取特征提取是图像配准中的第一步，它的目的是从图像中提取出一些具有鲁棒性和区分度的特征点或特征描述子。
常用的特征包括角点、边缘、纹理等。
特征提取的方法有很多种，包括Harris角点检测、SIFT、SURF等。
2. 特征匹配特征匹配是图像配准中的关键步骤，它的目的是将参考图像和目标图像中找到的特征进行匹配。
常用的特征匹配方法有最近邻匹配、RANSAC等。
最近邻匹配通过计算特征之间的距离来进行匹配，而RANSAC算法则通过随机采样和模型估计来选择最佳匹配。
3. 变换模型估计变换模型估计是图像配准中的最后一步，它的目的是通过匹配得到的特征点或特征描述子估计参考图像和目标图像之间的变换关系。
常用的变换模型有仿射变换、透射变换、非刚性变形等。
变换模型估计的方法有最小二乘法、最大似然估计等。
三、图像配准的分类图像配准可根据多个维度进行分类。
一种常见的分类方法是根据变换模型的类型来区分，包括刚性配准和非刚性配准。
刚性配准是指保持图像的旋转、平移和缩放不变的配准方法，常用于医学影像中对齐各个时间点的图像。
视觉方向导航新方法
标，出和咖分别为每个像素在石轴和Ｙ轴方向上的物理尺寸；
（％ｙｉ）为参考点的图像坐标；Ｍ、［口】、嘲基元变换矩阵。
经过以上分析．参考点Ａ的像点坐标应同时满足上述直线
目标检测算法在交通场景中应用综述
目标检测是计算机视觉领域重要的研究分支，是目标识别、跟踪的基础环节，其主要研究内容是在图像中找出感兴趣目标，包括目标定位和分类。
其中，交通场景目标检测识别是计算机视觉领域研究的热点问题，其目的是运用图像处理、模式识别、机器学习、深度学习等技术在交通场景中检测识别出车辆、行人等交通场景目标信息，达到智能交通、自动驾驶的目标。
传统目标检测方法通常分为三个阶段：首先在图像中选择一些候选区域，然后在候选区域中提取特征，最后采用训练的分类器进行识别分类。
然而，该方法操作复杂，精确度不高且训练速度慢，误检率较高，在实际工程应用中不易实现。
因此，在卷积神经网络快速发展的背景下，研究人员提出基于深度学习的目标检测算法，该方法实现了端到端检测识别，具有很好的实际意义。
如今基于深度学习的目标检测算法已成为机器人导航、自动驾驶感知领域的主流算法。
1目标检测算法综述目标检测算法可以分为基于候选区域（两阶段）和基于回归（一阶段）两类。
两者最大的区别是前者通过目标检测算法在交通场景中应用综述肖雨晴，杨慧敏东北林业大学工程技术学院，哈尔滨150040摘要：目标检测是计算机视觉领域的重要研究任务，在机器人、自动驾驶、工业检测等方面应用广泛。
在深度学习理论的基础上，系统性总结了目标检测算法的发展与研究现状，对两类算法的特点、优缺点和实时性进行对比。
以交通场景中三类典型物体（非机动车、机动车和行人）为目标，从传统检测方法、目标检测算法、目标检测算法优化、三维目标检测、多模态目标检测和重识别六个方面分别论述和总结目标检测算法检测识别交通场景目标的研究现状与应用情况，重点介绍了各类方法的优势、局限性和适用场景。
归纳了常用目标检测和交通场景数据集及评价标准，比较分析两类算法性能，展望目标检测算法在交通场景中应用研究的发展趋势，为智能交通、自动驾驶提供研究思路。
关键词：目标检测；深度学习；交通场景；计算机视觉；自动驾驶文献标志码：A中图分类号：TP391doi：10.3778/j.issn.1002-8331.2011-0361Research on Application of Object Detection Algorithm in Traffic SceneXIAO Yuqing,YANG HuiminCollege of Engineering and Technology,Northeast Forestry University,Harbin150040,ChinaAbstract：Object detection is an important research task in the field of computer vision.It is widely used in robotics,auto-matic vehicles,industrial detection and other fields.On the basis of deep learning theory,the development and researchstatus of object detection algorithm are firstly systematically summarized and the characteristics,advantages,disadvantages and real-time performance of the two categories of algorithms are compared.Next to the three kinds of typical targets （non-motor vehicles,motor vehicles and pedestrians）as objects in the traffic scene,the research status and application of object detection algorithm for detecting and identifying objects are discussed and summarized respectively from six aspects in traffic scene：traditional detection method,object detection algorithm,object detection algorithm optimization,3d object detection,multimodal object detection and re-identification.And the application of focus on the advantages,limitations and applicable scenario of various methods.Finally,the common object detection and traffic scene data sets and evalua-tion criteria are summarized,the performance of the two categories of algorithms is compared and analyzed,and the devel-opment trend of the application of object detection algorithm in traffic scenes is prospected,providing research ideas for intelligent traffic and automatic vehicles.Key words：object detection;deep learning;traffic scene;computer vision;autonomous vehicles基金项目：中央高校业务经费（2572016CB11）。
全景视觉与激光雷达融合的SLAM技术
全景视觉与激光雷达融合的SLAM技术一、引言1.SLAM技术的重要性及应用领域SLAM（Simultaneous Localization and Mapping，同时定位与地图构建）技术是机器人和自动驾驶领域中的关键技术之一。
它允许机器人在未知环境中自主导航，同时构建环境的地图。
SLAM技术在智能家居、工业自动化、救援机器人、无人驾驶车辆等领域有着广泛的应用前景。
2.全景视觉与激光雷达在SLAM中的作用全景视觉通过广角相机捕捉360度的图像，提供丰富的环境信息，有助于机器人对环境进行感知和理解。
激光雷达则通过发射激光束并测量反射回来的时间，获取环境的精确距离信息，为机器人的定位和地图构建提供准确的数据。
3.融合全景视觉与激光雷达的意义和优势全景视觉和激光雷达各自具有独特的优势，但也存在局限性。
全景视觉对环境的外观和光照条件敏感，而激光雷达则对环境的结构和距离信息敏感。
将全景视觉与激光雷达融合，可以充分利用两者的互补性，提高SLAM系统的鲁棒性和准确性。
融合后的系统能够在复杂环境中实现更稳定的定位和更精确的地图构建。
4.论文目的与主要研究内容本文旨在研究全景视觉与激光雷达融合的SLAM技术，探索有效的融合策略和优化算法，提高SLAM系统的性能。
主要研究内容包括全景视觉和激光雷达的数据预处理、融合SLAM算法设计、实验验证与结果分析等。
二、相关工作综述1.SLAM技术发展历程及现状自从SLAM技术提出以来，它经历了从基于滤波的方法到基于优化的方法的演变。
近年来，随着深度学习的发展，基于深度学习的SLAM技术也取得了显著的进展。
目前，SLAM技术已经成为机器人和自动驾驶领域的研究热点之一。
2.全景视觉SLAM技术研究现状全景视觉SLAM技术利用全景相机捕捉的360度图像进行定位和地图构建。
现有的全景视觉SLAM算法主要包括基于特征的方法和基于深度学习的方法。
基于特征的方法通过提取图像中的特征点进行匹配和位姿估计，而基于深度学习的方法则利用神经网络学习图像的特征表达并进行位姿估计。
机器视觉技术在分拣系统中的应用研究综述
一、概述机器视觉技术是一种通过计算机对图像和视瓶数据进行处理，从而模拟人类视觉功能的技术。
随着计算机和摄像头技术的不断发展，机器视觉技术已经在各个领域得到了广泛的应用，其在分拣系统中的应用也日益成熟。
二、机器视觉技术在分拣系统中的作用1. 准确识别物品：机器视觉技术能够通过图像识别算法准确快速地识别每个被识别物品的特征，保证分拣的准确性和高效性。
2. 提高分拣效率：机器视觉技术的快速处理速度和高精度识别能力，大大提高了分拣系统的效率，减少了人工分拣的时间和成本。
3. 强大的数据处理能力：机器视觉技术能够对大量的分拣数据进行处理和分析，实现批量化的自动分拣，提升了分拣系统的智能化程度。
三、机器视觉技术在不同领域的分拣系统中的应用研究1. 电子产品行业：机器视觉技术在电子产品的分拣系统中，能够对各种规格和型号的产品进行快速准确的分拣，提高了产品分拣的效率和准确性。
2. 快递物流行业：机器视觉技术在快递物流的分拣系统中，能够通过自动识别和分类，实现批量化的快递包裹分拣，提高了分拣效率，减少了人工成本。
3. 食品行业：机器视觉技术在食品分拣系统中，能够对各种食品进行自动分拣和质量检测，保证食品的安全和质量。
四、当前机器视觉技术在分拣系统中的应用存在的问题和挑战1. 光照和环境的影响：在实际的分拣系统应用中，光照和环境的变化可能会影响机器视觉技术的识别准确性和稳定性，需要进行进一步的算法优化和技术改进。
2. 多样化物品的识别：在分拣系统中，需识别的物品种类繁多，尺寸大小、形状复杂，需要机器视觉技术具备更加智能化的识别能力，实现多样化物品的快速准确分拣。
3. 系统集成和成本控制：机器视觉技术需要与分拣系统进行有效的集成，保证系统的稳定性和可靠性，同时需要控制系统集成和硬件成本，提高机器视觉技术的经济性和可行性。
五、未来机器视觉技术在分拣系统中的发展趋势1. 深度学习算法的应用：随着深度学习算法的不断发展和成熟，机器视觉技术能够更好地识别和分类复杂的物品，提高分拣系统的智能化水平。
《2024年未知环境中智能机器人的视觉导航技术研究》范文
《未知环境中智能机器人的视觉导航技术研究》篇一一、引言随着科技的飞速发展，智能机器人在各种未知环境中的应用逐渐增多，其视觉导航技术成为了研究的热点。
视觉导航技术是机器人自主导航的关键技术之一，它能够使机器人在复杂、未知的环境中实现自主定位和路径规划。
本文将探讨未知环境中智能机器人的视觉导航技术的原理、发展现状及挑战，并提出一些解决策略和研究方法。
二、智能机器人视觉导航技术的原理及发展现状（一）原理智能机器人视觉导航技术主要通过摄像头等视觉传感器获取环境信息，结合图像处理、计算机视觉等技术，实现机器人的定位和路径规划。
其基本原理包括环境感知、特征提取、定位和路径规划等步骤。
（二）发展现状随着深度学习、机器学习等人工智能技术的发展，智能机器人视觉导航技术取得了显著进步。
目前，该技术已广泛应用于无人驾驶、无人机、服务机器人等领域。
在未知环境中，智能机器人能够通过视觉传感器获取环境信息，并利用算法进行实时处理，实现自主导航。
三、未知环境中智能机器人视觉导航技术的挑战（一）环境适应性未知环境中的光照、颜色、纹理等环境因素可能会影响机器人的视觉感知效果，导致定位不准确或路径规划错误。
此外，动态障碍物和突发情况也是未知环境中机器人导航的挑战。
（二）算法复杂度在处理大量、复杂的图像信息时，算法的复杂度较高，可能导致处理速度慢、实时性差等问题。
此外，在复杂环境中进行特征提取和定位时，算法的鲁棒性和准确性也是一大挑战。
四、解决策略及研究方法（一）提高环境适应性为了提高机器人在未知环境中的适应性，可以采用多传感器融合的方法，结合激光雷达、超声波等传感器提供的信息，提高机器人的环境感知能力。
同时，利用深度学习和机器学习等技术，训练机器人学习不同环境下的视觉特征，提高其环境适应性。
（二）优化算法设计针对算法复杂度高的问题，可以通过优化算法设计，降低计算复杂度，提高处理速度和实时性。
此外，可以研究更加鲁棒的特征提取和定位算法，提高机器人在复杂环境中的导航精度和稳定性。
双目视觉测距国内外研究综述
双目视觉测距国内外研究综述一、引言双目视觉测距是计算机视觉领域的重要研究方向之一，它通过模拟人类双眼来获取场景的深度信息。
双目视觉测距技术在机器人导航、三维重构、智能交通等领域具有广泛的应用前景。
本文将对国内外双目视觉测距的研究进行综述，以期全面、详细、完整地探讨该主题。
二、双目视觉测距原理双目视觉测距原理基于视差的概念，即两个摄像机观察同一场景时，由于视点的差异，同一物体在两个图像中的位置会有所偏移。
通过计算这个偏移量，可以推导出物体到摄像机的距离。
2.1 视差计算方法视差计算方法可以分为基于特征点的方法和基于区域的方法。
2.1.1 基于特征点的方法基于特征点的方法通过提取图像中的特征点，如角点、边缘等，计算特征点在两个图像中的视差，从而得到深度信息。
常用的算法有SIFT、SURF、ORB等。
2.1.2 基于区域的方法基于区域的方法将图像划分为若干个区域，然后计算这些区域的视差。
常见的算法有块匹配、全局优化等。
2.2 双目标定双目标定是双目视觉测距的前提，它的目标是确定两个摄像机之间的几何关系。
常用的双目标定方法有张正友标定法、Tsai标定法等。
三、国内双目视觉测距研究国内在双目视觉测距方面的研究取得了很多进展，以下是其中的几个重要研究成果。
3.1 XXX方法XXX方法是一种基于特征点的双目视觉测距方法，它通过提取图像中的关键点，并利用这些关键点的视差信息计算深度。
该方法在实验中取得了较好的测距精度。
3.2 XXX方法XXX方法是一种基于区域的双目视觉测距方法，它将图像划分为多个区域，并利用区域间的视差信息计算深度。
该方法在复杂场景中表现出较好的鲁棒性。
3.3 XXX方法XXX方法是一种结合了特征点和区域的双目视觉测距方法，它通过提取图像中的关键点和区域，综合利用它们的视差信息计算深度。
该方法在复杂光照条件下具有较好的稳定性。
四、国外双目视觉测距研究国外在双目视觉测距方面也有很多杰出的研究成果，以下是其中的几个代表性研究。
机器人自主导航技术研究综述
机器人自主导航技术研究综述机器人是从上世纪六十年代开始出现的，随着科技的发展，现代机器人的功能与性能已经相当强大。
机器人在工业、医疗、教育等领域中发挥着越来越重要的作用。
然而，机器人的导航问题一直是一个重要的技术难题。
机器人自主导航是指机器人在未知环境中独立完成路径规划、障碍物避让等任务的能力。
本文将就机器人自主导航技术的发展历程、现状及未来进行综述。
一、技术发展历程机器人自主导航技术是一个颇具挑战性的研究领域。
其起源可以追溯到上个世纪末，1980年代，以模仿人类视觉来实现走路为主流的机器人导航技术即兴起。
在1990年代中期，在研究与应用现实的过程中，越来越多的问题浮现出来，比如地图不精确、环境变化大、信息传输的延迟等问题。
2000年后，随着传感技术、计算机技术、人工智能技术的飞速发展，机器人自主导航技术也得到了巨大的发展，目前的机器人自主导航技术已经可以在未知环境中实现高精度的导航。
二、技术现状机器人自主导航技术的现状，可以从环境建模、路径规划、障碍物避让等三个方面来阐述。
环境建模：机器人导航技术的首要任务是构建准确的环境模型。
在环境变化大、地形复杂时，如何提高环境识别和建模的准确度，是一个重要的研究方向。
当前主要采用机器视觉等传感器来获取环境信息，通过扫描和测距等方式完成对环境的建模。
3D扫描能够搜集更多的信息和高质量的点云数据，近红外传感器、激光雷达、普通相机等技术相互协同能够实现更精准的环境建模。
近年来，深度学习技术的兴起也为环境建模带来了新的思考方向。
路径规划：路径规划是机器人导航的关键步骤之一，他是指机器人通过环境建模生成的地图，寻找一条无障碍的路径，使机器人能在不碰到障碍物的情况下前往目的地。
在路径规划中，机器人需要考虑到实时出现的障碍物、环境变化、噪声干扰等因素。
当前，常用的路径规划算法包括 A-star 算法、Dijkstra 算法、RRT 算法等。
障碍物避让：自主导航的一个显著特点是必须能够避开障碍物，否则运动将会产出安全隐患。
- 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)。
2013 参考文献（二）
[12] 张栋. 基于空中机器人平台的运动目标检测和视觉导航[D].浙江大学,2013. [13] 江伟,齐群.基于AT89S52单片机的智能小车设计与制作[J]. 广东交通职业技术学院学 报,2013,01:24-27. [14] 纪超,王庆. 基于双目视觉的自主空中加油算法研究与仿真[J]. 系统仿真学报,2013,06:1327-1331. [15] 毕建权,陆耿,江永亨,王京春.基于像素点的快速结构化道路元素检测 [J]. 计算机工程与科 学,2013,05:100-105. [16] 毕建权,王京春,江永亨. 基于视觉的缩微智能车自主换道[J]. 信息与控制,2013,03:351-357. [17] 陈雪凌,赵春晖,李耀军,程咏梅.基于Dempster-Shafer证据理论的匹配区多特征适配性分析方法[J]. 计算机应用,2013,06:1665-1669. [20] 吴俊君,胡国生. 室内环境仿人机器人快速视觉定位算法[J]. 中山大学学报(自然科学 版),2013,04:7-13. [21] 吴俊君,胡国生. 室外环境下移动机器人视觉SLAM算法改进[J]. 计算机工程与设计,2013,08:28922896. [22] 陶琨,王寅. 视觉导航技术在小型无人机撞线回收中的应用[J]. 兵工自动化,2013,07:80-82.
2013-11-5
9
二、机器导航的几种常用方式
机器 导航方式 非主动 导航 传感器 数据导航
主动导航
循线导航
惯性导航
卫星导航
视觉导航
红外导航
超声导航
激光测距 导航
10
2013-11-5
三、视觉导航的应用领域
国防（无人机） 医学（手术器械） 交通运输
农业生产
工业生产/检测（自动化仓库）
2013-11-5 6
移动机器人导航
移动机器人的研究起源：20世纪60年代末期。 导航(概念)：导航是指运动体按照预先给定的任务命令， 根据已知的地图信息做出全局路径规划，并在行进过程中， 不断感知周围的局部环境信息（实时性），做出各种决策， 随时调整自身的姿态与位置，引导自身安全行驶，直至目
（3）探索新的适用于立体视觉的计算理论和匹配策略，选择有效的匹配
准则和算法结构，以解决存在的灰度失真、几何畸变、噪声干扰等问题； （4）算法向并行化发展，提高速度，减少运算量，增强系统的实时性。
2013-11-5
16
2013-11-5
17
视 觉 导 航 技 术 综述
周杉
参考文献
[1]刘伟军,董再励等.基于立体视觉的移动机器人自主导航定位系统[J].国家863计划,2007 [2]姜立军,甘东兵.基于双目视觉传感的计算机辅助骨外科手术导航模型[J].华南理工大学学报(自然科学 版),2006,34(2) :67-72 [3]徐光祐,朱志刚.用于室外道路环境综合理解的多种新型视觉传感技术和系统[J].国防预研项目,1997 [4]周星,高志军.立体视觉技术的应用与发展[J].工程图学学报,2010(4) :50-55 [5]朱志刚,徐光.多尺度全覆盖视觉导航方法[J].机器人,1998,20(4):266-272 [6]胥芳,张立彬.农业机器人视觉传感系统的实现与应用研究进展[J].农业工程学报,2002,18(4):180-184 [7]高庆吉,洪炳熔,阮玉峰.基于异构双目视觉的全自主足球机器人导航[J].哈尔滨工业大学学 报,2003,35(9):34-35 [8]唐超颍,杨忠,沈春林.视觉导航技术[J].2007江苏省自动化学会学术年会论文集,2207:100-104 [9]基于双目视觉的自动空中加油近距导航方法_解洪文 [10]基于双目协调的小型全自主足球机器人导航_高庆吉 [11]辅助自动着陆技术_刁灿 [12]视觉导航的多尺度全方位时空图象综合理解方法_朱志刚 [13]双目立体视觉系统的分析_李泽东 [14]双目视觉导航信息的可观测性分析_杨海燕 [15]温室环境下黄瓜采摘机器人信息获取_袁挺 [17]月球车巡视探测的双目视觉里程算法与实验研究_吴伟仁 [18]智能移动机器人的时空多尺度功能视觉_朱志刚 [19]自动化技术_计算机技术 [20]仿人多自由度立体双目视觉导航系统的研究与开发_余洪山
[10] 李进,陈杰平,徐朝胜,汪明磊,王家恩. 基于动态图像阈值的智能车辆路径导航[J]. 农业机械学
报,2013,04:39-44. [11] 杨东方,王仕成,张金生,罗大成,刘华平. 增量式参数化特征模型及其单目视觉导航[J]. 计算机应 用,2013,04:1085-1088.
2013-11-5 3
[7] 崔红超,雷鸣. 基于四元数视觉导航算法确定目标位姿[J]. 测绘与空间地理信息,2013,01:131-133.
[8] 卢远志. 智能车测试环境中虚拟车道线的快速构建方法[J]. 中南大学学报(自然科学 版),2013,03:985-991. [9] 夏田,金超,刘晔. AGV视觉导航标识线边缘特征提取研究[J]. 机械设计与制造,2013,03:199-201.
传感器，就能有把握地知道自己在哪里
和去哪里。ER2可以作住宅警卫，也可 以作向导，举办电视会议，搬运物品， 与主人下 象棋或玩其他游戏。
2013-11-5
15
五、视觉导航技术的发展方向
要精确模拟人眼立体视觉系统还存在很多困难，但就其今后的发 展方向有如下几个方面： （1）深入研究人眼视觉机理，建立更有效的双目视觉模型； （2）利用对人眼选择性注意机制的研究和主动视觉的方法解决视觉计算 病态结构问题；
2013-11-5
11
四、视觉导航的关键技术
路径识别算法流程图
2013-11-5
1
勇气号、机遇号火星车上的应用
图（a）:雷达地图与视觉地图比较
图（b）:自主导航流程及结果
2013-11-5 13
应用举例（二）
“海龙2号”是我国自主研制 的水下机器人，高约3.8米，长宽均 为1.8米左右，能最大提取250公斤 的物品，是我国目前仅有的能在
2013-11-5
4
内容导读
1、视觉导航的仿生学来源及其研究意义
2、机器导航的几种常用方式
3、视觉导航的应用领域 4、视觉导航的关键技术
5、视觉导航技术的发展方向
2013-11-5
5
一、视觉导航的仿生学来源 及其研究意义
人类视觉系统的感受部分是 视网膜，它是一个三维采样系统。 三维物体的可见部分投影到视网 膜上，人们按照投影到视网膜上 的二维图像来对 该物体进行三 维理解。 古语有云“眼睛是人类心灵 的窗户”但在现实生活它扮演着 更加重要的觉色。 在人类科技进步的今天，机 器人越来越成为我们不可或缺的 一部分，各种智能机器人的出现 在极大方便我们生活的同时也对 我们提出了更高的要求。
标位置 。
2013-11-5
7
导航主要解决的问题
（1）我（机器人）现在何处？ （2）我要往何处走？ （3）我要如何到达该处？
导航系统 中的定位 及其跟踪 问题
路径规 划问题
2013-11-5
8
定位、建模、路径规划
(1) 通过捕捉视觉图像获取移动机器人在空间中的
位置、方向以及所处环境的信息。（定位） (2) 用一定的算法对所获信息进行处理并建立环境 模型。（建模） (3) 寻找一条最优或近似最优的无碰路径，实现移 动机器人安全移动的路径规划。（路径规划）
2
2013-11-5
2013 参考文献（一）
[1] 李爱莲,高策,梁惠明. 移动机器人导航方法的分析与研究[J]. 仪表技术,2013,05:42-44. [2] 周儒靖. 视觉导航技术在无人直升机着陆中的应用研究[D].南京理工大学,2013. [3] 杨兵兵.飞机进近及着陆视觉导航研究[D].上海交通大学,2013.
3500米水深、海底高温和复杂地形
的特殊环境下开展海洋调查和作业 的最高精技术装备，它是国家重大
科技专项、目前我国下潜深度最大、
功能最强的无人遥控潜水器，简称 ROV 。
2013-11-5
14
应用举例（三）
机器人程序保障系统著名生产商 Evolution Robotics公司向市场推出自己 的新产品-----安装有自动导航系统的机 器人ER2。确定现有机器人空间方位的 方法是利用超声波或无线电波定位、激 光测距仪等，其费用都高达数千美元。 而Evolution Robotics公司的机器人只需 要价格为50美元的网络用摄影头和轮式
[4] 李丹. 一种视觉导航参数的改进提取算法[J]. 计算机与现代化,2013,02:27-30+34.
[5] 马红霞,马明建,马娜,林有升.基于Hough变换的农业机械视觉导航基准线识别[J]. 农机化研 究,2013,04:37-39+43. [6] 于国英,韩伟,宋明伟. AGV视觉导航模糊控制研究[J]. 科技信息,2013,22:45+48.