|
|||||||
|
|||||||
|
||||||
|
||||||
|
||||||||||||
|
||||||||||||
|
|||||||||
|
|||||||||
|
|||
|
|||
|
|||||||||||||
|
|||||||||||||
|
|||||||||
|
|||||||||
|
||
|
||
|
|||||
|
|||||
|
||
|
||
|
|||
|
|||
|
|||
|
|||
上海中人專業提供ZRRGZN-03人工智能多維運動控制平臺,是專業的教學設備生產廠家，我們歡迎您來我們生產基地考察ZRRGZN-03人工智能多維運動控制平臺，并為您提供專業的解決方案。教學設備可以解決教師教學缺少平臺，學生缺少實操經驗的難題。ZRRGZN-03人工智能多維運動控制平臺，是中人公司的品質效益保障教學產品。 文章內容中的圖片為參考圖片,僅供參考,以實物為準.
本文關鍵詞：ZRRGZN-03人工智能多維運動控制平臺
智能網關：
l 處理器：64位四核CORTEX-A57，128核MAXWELL GPU；
l 內存：4GB LPDDR，板載存儲：64GB；
l 接口：USB3.0×4，Micro USB×1， HDMI×1，RJ45×1，DC5.5×2.1電源接口；
l 集成Linux、Python等運行環境，支持數字圖像處理、機器視覺、深度學習等算法、硬件、應用的開發和學習。
l 搭載 7 寸 LVDS 高清屏。
l AI 自動駕駛平臺車體不小于 360mm*210mm*350mm，
l 采用高性能雙路 ARM Cortex-M4 STM32G4 控制器單元，
l 提供電機驅動及傳感驅動。
l 四驅獨立懸掛輪式駕駛底盤，大功率減速電機。
激光雷達
相較于傳統技術，利用紅外激光設備可實現超大屏幕的多點觸摸，其反應更快、精度更高、抗環境光能力更強。激光雷達作為核心傳感器，可快速獲得環境輪廓信息，配合SLAMWARE使用，可以幫助機器人實現自主構建地圖、實時路徑規劃與自動避開障礙物。應用領域智能掃地機、家用機器人。
測量半徑：12米，測量頻率：8000次/秒，掃描頻率：5.5HZ，360度掃描測距
機器視覺-雙目深度體感攝像頭
雙目深度體感攝像頭是VR/AR、機器人和無人駕駛最核心的技術支撐之一，而深度攝像頭就是這類硬件的眼睛。只有機器對“看到的”東西，定位定姿精度更高時，才能更好地識別和做出判斷，從而提升機器的可用性和產品化速度。利用雙目立體視覺成像原理實現三維定位，即可進行手勢、肢體動作的綜
使用距離：0.8m至 3.5m之間，視野：58° H, 45 V, 70° D(水平，垂直,對角)，傳感器：深度，深度影像大�。篤GA(640x480) : 30fps，QVGA (320x240): 60fps，接口：USB2.0
工程應用方向
機器導航應用
同時定位與地圖構建(Simultaneous Localization And Mapping,簡稱 SLAM)，通常 是指在機器人或者其他載體上，通過對各種傳感器數據進行采集和計算，生成對其自身位置姿態的定位和場景地圖信息的系統。SLAM 技術對于機器人或其他智能體的行動和交互能力至為關鍵，因為它代表了這種能力的基礎：知道自己在哪里，知道周圍環境如何，進而知道下一步該如何自主行動。 它在自動駕駛、服務型機器人、無人機、AR/VR 等領域有著廣泛的應用，可以說凡是擁 有一定行動能力的智能體都擁有某種形式的 SLAM 系統。 一般來講，SLAM 系統通常都包含多種傳感器和多種功能模塊。而按照核心的功能模 塊來區分，目前常見的機器人 SLAM 系統一般具有三種形式：基于常規傳感器的導航、 基于激光雷達的 SLAM(激光 SLAM)和基于視覺的 SLAM(Visual SLAM 或 VSLAM)。
視覺導航
AI 視覺/語言/控制多維平臺通過多維景深攝像頭立體視覺感知完成圖像處理，支持 語音識別、背景移除、增加現實、3D 掃描、目標跟蹤、面部處理等，實現基于 ROS 系統 的深度攝像 SLAM 導航和構圖。
實驗內容
移動機器人控制實驗
l 相機標定
l 動態目標跟隨
l 基礎運動控制
l 機器人驅動系統
l 視覺巡線
l Gmapping建圖
l 激光雷達建圖與導航
l 交通燈識別
l 交通標志識別
l 車道識別實驗
l 人臉追蹤
機器人檢測與感知實驗
l 機器人視覺感知
l 移動機器人自主定位與姿態傳感
l 移動機器人未知環境感知
l 移動機器人視覺測距
綜合應用課程設計
l 基于SVM的交通標志識別系統設計
l 基于深度學習的車道線檢測與自適應巡航設計
l 基于樸素貝葉斯的移動機器人自助避障系統設計
l 基于循環神經網絡的車牌識別系統設計
l 基于CNN與SVM的交通標志的識別系統設計
l 基于HOG與SVM的交通標志識別系統設計
l 基于深度學習的車道線檢測系統設計
