在计算机视觉系统中一直存在物体识别时3D数据表示形式的问题。大多数研究人员将其转化为多视图和体素化网格的深度学习方法,这会出现庞大的数据,使计算量增加,提高了运算的时间复杂度。这里采用直接消耗点云数据方法在欧式空间中通过深度学习神经网络进行识别分类,这种方法与其他方法相比减少了数据运算量,而且很高效。通过分层神经网络进行学习,避免了只学习全局特征而不能学习由度量空间引起的局部结构。在改进现有的深度学习神经网络架构,通过训练在训练集中最高可以学习到96.88%的准确率,并且使训练曲线和测试曲线的准确率更加接近,避免了过拟合现象。最后测试了获取到的点云数据并达到了预期的效果。

立体匹配(Stereo Matching)算法的效果在机器人应用中至关重要。为了提高立体匹配算法效果,首先利用基于一阶差分的Sobel检测、Scharr检测和Canny检测对图像进行梯度处理,获取图像边缘,其次利用图像的边缘信息作为初始匹配代价进行立体匹配,大幅减少不必要的计算量,然后利用所提算法分别对Middlebury数据集中的图像和自采集的图像进行实验,获得立体匹配的误匹配率和匹配时间。经过实验数据对比,Sobel检测算法和BM(Boyer-Moore)算法结合的方法所得视差图速度快且精度高,效果最佳,实验证明所提方法具有明显优势,可提高立体匹配效果。

利用Ｊｏｕｒｄａｉｎ原理来消除约束反力，并通过引入Ｌａｇｒａｎｇｅ乘子释放约束，得到了机械臂正动力学非递推形式的计算模型。在这种模型中引进了一些冗余计算，因此减弱了方程中各计算量之间的依赖性，从而提高了模型的内在并行性。为了尽量减少并行计算所需处理器的数目，本文采用了求解规模缩减技术，并基于这个模型提出了一生活上面向Ｏ个处理器的机械臂正动力学的并行计算策略。