本文基于ROS机器人操作系统与深度学习目标识别算法,利用嵌入式设备开发平台开发,以设计一个准确度与实时性均衡移动机器人目标识别系统进行了研究,并进行了性能测试。实验结果表明,该系统能满足上述要求并有较好的扩展性各种复杂条件下的计算集群节点间通信（分布式构建），使得在实际开发中部署硬件平台的选择更为多样化。2视觉机器人平台系统设计考虑到系统功耗与整机电源系统，使用一般低功耗的工控机无法满足复杂视觉计算、路径规划、SLAM等要求，借助于ROS分布式的特性，ROS中的节点能够发布(Publish)或订阅(Subscribe)主题，本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/ 并借助主题进行消息流通信。工控机能够与高性能的计算服务器通过无线网络连接的方式以Publish-Subscribe异步通信模式进行节点间的数据通讯，在低功耗与控制体积载重的情况下能够确保运算任务的实时性。图1视觉机器人平台系统设计系统机械部分由STM32F10作为控制器机器人目标识别系统-数控滚圆机滚弧机张家港电动液压钢管滚圆机滚弧机，并IMU模块、电源模块、电机控制等组成，具备独立运动能力。通过工控机与ROS系统进行环境信息判别后进行机械运动决策（如对目标或人体的跟踪）通过通信传至STM32。视觉部分由XtionPro基于ROS与深度学习的移动机器人目标识别系统詹润哲，姜飞（宿州学院信息工程学院,安徽宿州，234000）摘要:本文基于ROS机器人操作系统与深度学习目标识别算法，利用嵌入式设备开发平台开发，以设计一个准确度与实时性均衡移动机器人目标识别系统进行了研究，并进行了性能测试。实验结果表明，该系统能满足上述要求并有较好的扩展性。关键词:ROS；目标识别；计算机视觉；深度学习；移动机器人M。。最终再经由NMS算法对重复率较高的边界框进行筛眩3.2算法在ROS系统中的实现由于面向室内场景需要检测的物体较少，环境较为简单，为保证实时性，故使用Tiny-YOLO网络在ROS中加以实现，该网络为YOLO的简化版本，结构如图2所示。图2Tiny-YOLO网络结构基于ROS系统的Publish-Subscribe异步通信模式，在搭载RGBD摄像头的移动机器人平台上驱动uvc摄像头节点并发布RGB图像image_raw话题，与工控机通信的服务器主机订阅该话题并交由YOLO网络目标识别算法节点处理，并对外发布话题。图3ROS目标识别算法节点设计4机器人系统实验4.1实验环境采用ROS分布式运算环境，其中服务器主机CPU采用i7-4720HQ@2.60GHz×8，GPU采用GTX960M，内存16G。工控机CPU采用CeleronJ1900@1.99GHz×8，内存4G，二者以2.4GHz无线网络通信，均运行Ubuntu16.04系统，识别算法均在ROSKinetic环境下运行。MobileNet是Google针对嵌入式设备提出的压缩网络模型，主要思想是采取可分离的深层卷积层减少计算量和模型大小，由于Mob机器人目标识别系统-数控滚圆机滚弧机张家港电动液压钢管滚圆机滚弧机本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/