基于PSO算法的焊接机器人的摄像机标定 第三章基于PSO算法的摄像机标定 在绪论部分本文详细介绍了PSO算法的研究现状，研究表明该算法在解决多变量、非线性的全局优化问题中表现出了优异性能。摄像机标定本身涉及多个参数变量、且运算量较大。针对这种情况，本文利用张正友标定模型，将相机标定转化成一个全局寻优问题，并用改进的混沌粒子群算法(ICPSO)来完成这个优化求解过程。因此本章首先对PSO算法进行了改善，并阐述了其实现流程，然后基于这种方法对摄像机进行标定，验证了算法的可行性 3.1 PSO算法的改进 经前文介绍可知，PSO算法是一种高效并行的优化算法，且算法简洁易于实现，能有效解决多变量、非线性优化求解问题。自提出后该算法在理论和应用两个方面取得了不错的成果。但是和其他群智能算法一样，PSO算法存在早熟和局部收敛的问题，这会导致得到的解往往不是全局最优解。因此在本文中，标准的PSO算法不能直接应用于相机标定，需进行改善，以保证相机标定的精度。 3.1.1引入混沌扰动 混沌是指由确定性方程得到的具有随机的运动状态，且具有随机性、遍历性和规律性等特点。这些特征决定了它对于目标优化函数没有特殊要求，因而混沌在各类优化问题得到了广泛应用。 针对PSO算法的缺点，本文把混沌与PSO算法解起来。利用Logistic方程产生相关扰动变量，帮助PSO算法跳出局部收敛，达到改善算法的目的。式3-1是本文产生混沌扰动的Logistic方程，其定义如下: 现聚集现象，粒子发生早熟，多样性消失，从而使得算法收敛于局部最优解。针对这一问题，本文在PSO算法中引入混沌变异，来提高算法的性能，其作用主要体现在两个方面: 1.粒子初始化。根据粒子群算法模型可知，粒子初始化是一个随机的过程，并不能保证粒子均匀分布在解空间。这就可能造成第一代粒子中的个体最优值和者全局最优值不具有代表性，或者偏离目标值的差距较大。我们知道，整个粒子种群在进化过程中，粒子通过跟踪个体历史最优值和全局最优值来改变自身的位置和速度。因而初始粒子的质量状况直接关乎到后续的寻优过程。利用混沌的遍历性就可避免这种情况的发生，保证比较好的初始化种群，加快了算法可收敛速度和精度。 2.施加扰动，帮助粒子逃逸局部最优值。随着算法迭代的进行，整个种群向着最优解的方向移动，同时粒子会发生聚集，粒子多样性缺失。表现出全局最优解的适应度值保持不变或者变化很小，粒子移动的速度急速下降，陷入局部最优。利用混沌的随机性，可以给聚集的粒子施加一个扰动，来调整其自身状况，增加粒子多样性。这样可以跳出局部最优值区域，引导整个种群继续搜索。焊接机器人

• 上一篇：焊接机器人初始焊位导引系统标定实验
• 下一篇：获百万级种子轮投资，看优艾智合机器人如何为城市公交探测轮胎金属异物