导航参照点（精选三篇）
导航参照点 篇1
基于视觉传感器的距离检测方法中最常用的方法是平行双目立体视觉方法,其中心思想是利用双目视差的原理［1］: 由同一点在左右摄像机的成像平面中不同的成像位置构建双目视差,根据几何学中三角形两两相似的方法( 见图1) ,利用已知的左右相机基线距离b、相机焦距f、同一参照点P在左、右摄相机成像面上对应的横坐标x1和x2,计算出参照点P到双目相机基线中心的距离为
但是,农业机器人由于田间作业的要求,需要实时捕获田间地面上作物的图像与前方行进方向上的路径信息,如农药喷洒机器人、除草机器人及自动插秧机器人［2］,因此其视觉传感器设备往往安装在距离地面一定高度,与水平方向成一定俯角的位置,如图2所示。
此时,如果再利用传统的平行双目视差测距法得到的将是图2中的距离Z,而研究人员往往更感兴趣的是参照点P与机器人本体的水平距离S,它对农业机器人田间作业时位置与姿态的控制起到关键作用。
针对上述问题,本文提出了一种农业机器人田间导航参照点测距的新方法。实验表明: 本文方法在解决农业机器人田间地面导航点测距问题方面是行之有效的。
1农业机器人双目系统的建立与标定
1. 1双目系统的建立
本文以方凳模拟农业机器人本体,左右相机安装高度47. 5cm,左右相机与水平方向倾角为35. 7°,基线距离18cm,工控机CPU 2. 5GHz,内存8G; 同时以左相机为中心向下做一条铅垂线,铅垂线与地面的交点定为世界坐标系的原点O,X轴沿农业机器人机身水平向左,Y轴沿相机的光轴方向垂直于X轴,Z轴垂直与地面向上,如图3所示。
由于本文所选取的导航参照点均在田间地面上, 故令Z平面始终等于0,即无论农业机器人行进至何处,世界坐标系都以此方法建立,从而获得导航参照点相对于农业机器人机身的世界坐标。
1. 2 BP神经网络标定
农业机器人的作业环境通常处于非结构化环境的农田中,地面的凹凸不平导致机器人在行进过程中机身水平面与地面产生不同的角度。这时,如果利用传统相机线性标定算法获得的相机内外参数进行计算,其结果: 一是计算量会非常巨大,影响农业机器人田间作业的时效性; 二是由于镜头光学系统加工误差的存在,往往得不到非常精确的结果。根据多层神经网络映射定理可知: 包含隐含层的3层神经网络结构可对任意的非线性函数进行任意精度的逼近。故本文选用包含输入层、隐含层、输出层的BP神经网络对双目系统标定。但由于原始BP算法是梯度下降法, 其中心思想是将迭代优化搜索的方向指向性能函数的下降方向,这就会产生一个问题,即BP网络的训练速率较慢且陷入区域最小值的几率增大。为此,本文利用基于Fletcher - Revees共轭梯度法的BP学习算法构建BP神经网络:
1 ) 令k = 0,i = 0 ,设学习速率的最大值C > 0和优化目的值 ε > 0 ,随机产生一个初始权值序列w( 0) ;
2) 通过局部梯度 δj( l)( 0) ,计算梯度g( 0) = ! E( w( 0) ) ;
3) 选择搜索方向d( 0) ,d( 0) = - g( 0) ;
4)计算学习速率ηi,采用一维搜索选择ηi,使成立;
5)调节BP网络参数w(i+1)=w(i)+ηid(i);
6)置k=k+1,i=i+1;
7) 若E( w( i) ) < ε ,算法终止;
8) 通过局部梯度 δj( l)( i) ,计算梯度
9)计算方向因子;
10) 计算d( i) 。若i < N ,则d( i) = - g( i) + βid( i - 1) ,并转至4) ; 否则,i > 0 ,w( 0) = w( i) , g( 0) = g( i) ,并转至3) 。
1. 3标定实验
将一张1 100mm × 870mm标定纸平铺在1. 1中搭建好的双目系统的正前方,左右相机分别拍摄标定纸, 如图4所示。
利用Harris角点检测分别获取公共视场内的X角点,即标定点的图像坐标( U1,V1) ( U2,V2) ,并依次测量各标定点在1. 1节中双目系统下构建的世界坐标系中的坐标( X,Y) ,将( U1,V1) ( U2,V2) 作为输入,( X,Y) 作为输出构建BP神经网络。此次共标定200个点,取其中150个点作为训练样本,50个点作为测试样本,保存训练好的神经网络。实验结果显示: 改进的BP神经网络仅用37步收敛,MSE均方误差0. 009 97,耗时20ms。BP网络训练效果图如图5所示,标定结果如表1所示。
2田间导航参考点的获取与测距
农业机器人在田间作业行走时通常会选取一些前方行进路面上已存在的实物作为导航参照点,以该参照点为基准计算机身与此点的距离和航向角,为进一步行进姿态控制做准备; 又因为土壤的颜色与作物根部的颜色有较大的区分,故本文选取作物的根部作为农业机器人导航参照点。而SIFT方法中的低层次特征提取是选取那些显著的特征,这些特征具有图像尺寸和旋转不变性,而且对光照变化具有一定程度的不变性,还可以减少由遮挡、杂乱和噪声所引起的低提取概率［3］。该方法特别适用于农业机器人田间作业环境; 但在SIFT方法中,特征点描述符生成这一步中往往需要耗费大量的时间,原因在于128维的特征点描述算子的生成使算法效率大大降低。考虑到农业机器人田间作业时效性的问题,提出稳、快、准的要求。本文从降低描述算子维数的思路出发,将原始算法中特征点描述向量的维数由128减至16,以特征点为圆心,提取一个半径从1 ~ 4m的同心圆圈区域,如图6所示。
先计算每个圆圈内各个像素梯度的模值和方向, 然后用梯度直方图统计方法在每个圆圈内统计出4个方向( 0°,90°,180°,270°) 的梯度累加值; 利用图形高斯加权窗口进行加权,对每个圆圈内的梯度累加值大小依次从大到小排列,最终生成1 × 16维向量作为特征点的描述向量。
利用上述改进的SIFT特征向量生成法可以大大提高农业机器人在田间作业时获取左右相机采集图像中导航参照点的图像坐标( U1,V1) ( U2,V2) 的速度,将得到的( U1,V1) ( U2,V2) 输入1. 2节中训练好的BP神经网络,神经网络输出此时导航参考点相对机器人机身的世界坐标值( X,Y) ,则导航参照点与机器人机身的水平距离可表示为。
3实验与结果分析
本实验与2015年6月9日下午对广西科技大学内一处农田取景,将1. 2节中标定完成的农业机器人双目系统整体移入田间; 在不同的两处位置A和B用左右相机采集作物图像,选取每株作物的根部位农业机器人的导航参照点; 分别测量农业机器人在不同位置时每株作物的根部到左相机铅垂线与地面交点的直线距离。图7为原始SIFT匹配下的作物图像匹配。
图8为本文所利用的改变SIFT特征描述符向量维数方法下的作物图像匹配。由图8可知: 该方法大大减少了无用匹配点的数量,耗时仅为35ms。表2为农业机器人处于位置A时导航参照点的测距结果,表3为农业机器人处于位置B时导航参照点的测距结果。表2、表3共计16组数据,从中得出利用本文测距方法的测量距离与实际距离最大误差0. 479cm,最小误差0. 032cm,平均误差为0. 14cm。
cm
cm
4结论
导航参照点 篇2
本文从旁指结构的指称性质和当前话语空间的扩张模式两方面探讨旁指参照点的先后在信息传递中的作用,并总结出旁指结构对语境的.依赖程度序列.
作 者：彭爽 金晓艳 Peng Shuang Jin Xiaoyan 作者单位：彭爽,Peng Shuang(北京大学计算语言学研究所,北京,100871)
金晓艳,Jin Xiaoyan(南开大学中文系,天津,300071)
导航参照点 篇3
一、理论分析与研究假设
根据最优契约模型, 薪酬委员会理应代表股东设计融合经理与股东利益的激励契约。但越来越多的股东抱怨, 薪酬委员会的薪酬决策有抬高高管薪酬的倾向。Murphy和Jensen等详细考察了大多数美国公司的薪酬决策过程, 负责制定高管薪酬的薪酬委员会往往依据外部市场标准决定本公司的薪酬水平与结构, 因为每家公司都倾向于将薪酬设定在不低于市场标准的薪酬参照点之上, 导致了薪酬水平的爬升。Hlmstrom也指出, 薪酬参照点是解释20世纪90年代以来高管薪酬迅速攀升的一个重要因素。薪酬参照点假设的逻辑是, 公司薪酬委员会订立薪酬契约时, 往往倾向于将薪酬水平设定在一个参照区间, 而这一参照区间的选择在实践中多来自同行业的竞争对手。考虑到低于同行的薪酬水平既缺乏在劳动市场上的竞争力又不能有效激励高管尽职尽力, 薪酬委员会通常将其设定在同行竞争对手的平均水平或稍高一点。考虑到中国企业在制度转型过程中旨在模仿包括薪酬激励在内的国际良好公司治理实践这一制度现实, 本文重点考察国际同行较高的薪酬标准对我国高管薪酬契约设定的参照点效应。日益国际化的经理人市场与薪酬标准首先为我国公司的高管薪酬决策提供了一个富于吸引力的参照点, 接近国际同行薪酬实践的上市公司, 其薪酬政策更容易受到外部较高薪酬标准的影响。这种参照点效应伴随着外资公司在我国投资的增加, 高能激励实践向国内分公司的输入, 以及我国公司在海外证券交易所的股票发行而逐渐显现。
基于上述理论分析, 本文的研究假设如下:在其它条件一定的情况下, 国际同行的薪酬基准对我国公司的高管薪酬决策具有参照点效应, 高管薪酬水平与外部薪酬参照点正相关。
二、研究设计
(一) 数据来源与样本选取
本文以沪深两市2007年至2009年的上市公司为研究样本, 样本中各数据主要取自CSMAR数据库, 在剔除了金融类、ST和PT等公司和没有完整地披露研究所需指标数据的公司后, 最后得到了1 083家公司的3 249个观测值。此外, 本文数据处理选用的是Excel 2003、SPSS13.0和Eviews 5软件。
(二) 变量说明
本文采用高管前三名薪酬总和的自然对数作为被解释变量高管薪酬的替代变量。解释变量, 本文设置外部薪酬参照点这一虚拟变量, 借以检测国际同行的薪酬标准对我国公司高管薪酬决策的影响。本文的控制变量, 公司业绩采用总资产收益率来衡量, 公司规模采用公司总资产来衡量, 公司的成长性采用资产的账面市场比率来衡量, 公司治理采用股权集中度和国有股比例来衡量, 同时又加入了地区、行业、时间等虚拟变量。本文地区分为三个区域:区域一包括北京、上海、天津、河北、辽宁、江苏、浙江、福建、山东、广东和海南共十一省市;区域二包括山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南、重庆、四川、陕西、广西共十二省市;区域三包括内蒙古、宁夏、甘肃、青海、新疆、西藏、云南、贵州共八省市。所以, 地区虚拟变量分为三类, 以区域一为基准。行业虚拟变量分为12类, 以农业类为基准。时间虚拟变量分为3类, 以2009年为基准。变量定义见表1。
(三) 模型设计
Compensation=α+β1Contr+β2ROA+β3Mbv+β4Shrcr+β5State+∑βiInd+∑βtTime+∑βfArea+ε
(i=7, 8, 17; t=18, 19; f=20, 21)
三、实证结果分析
(一) 描述性统计分析
描述性统计分析结果显示:样本公司高管前三名薪酬总和的平均值为13.627, 总资产收益率的平均值为4.6%, 公司总资产的平均值为21.604, 公司资产的账面市场比率的平均值为64.0%, 股权集中度的平均值为17.2%, 国有股比例的均值为19.6%。具体的描述性统计分析见表2。
(二) 回归结果解释
从回归结果 (表3) 看出, 外部薪酬参照点、公司绩效、公司规模、公司成长性、股权集中度、国有股比例对高管薪酬的影响都显著。由于高管薪酬和公司规模进行了取对数处理, 致使模型变量已不是传统经济意义上的线性关系, 所以R2和调整的R2的值基本符合要求, 拟合优度一般, 能够在一定程度上说明问题。模型的F检验显著, 说明本文模型符合要求。
需要特别说明的是:①通常, 如果衡量公司成长性的指标是公司资产的市场账面比率, 那么公司成长性与高管薪酬存在正相关关系。但由于本文衡量公司成长性的指标是公司资产的账面市场比率, 所以公司成长性与高管薪酬存在负相关关系。②国有股比例符号与理论预期符号相反, 可能的原因是国企高管越来越关心企业的业绩, 另外国企主管部门对国企高管薪酬的约束有所放松。
在控制了其它因素后, 高管薪酬水平与外部薪酬参照点在1%的显著水平下正相关。表明在其它条件一定的情况下, 发行H股、B股或者外资作为控股股东的上市公司, 因为与国际同行的薪酬实践更为接近, 其薪酬政策更容易受到外部薪酬参照点的影响, 公司高管较容易获得丰厚的薪酬。其背后的经济含义是, 在全球公司治理趋同的影响下, 国际同行的薪酬实践对中国公司的高管薪酬决策具有参照点效应, 高管薪酬的上升可部分地归因于公司在薪酬制定过程中参照了较高的薪酬标准。
注:*表示为5%的显著性水平, **表示为1%的显著性水平
(三) 稳健性检验
首先, 借鉴以往的研究, 本文以前三名高管薪酬总和的均值作为被解释变量的替代变量, 回归结果未发现显著差异。其次, 用公司年度股票回报替代公司绩效变量, 用公司利润增长率替代公司成长性变量, 在控制了其它影响因素后, 估计结果依然支持本文的结论。
四、结论、启示及局限性
结论:在全球公司治理趋同的影响下, 国际同行的薪酬基准对我国公司的薪酬决策具有参照点效应, 接近国际同行薪酬实践的公司高管更容易得到丰厚的薪酬, 这种外部的薪酬参照与我国上市公司高管薪酬的水平具有正相关关系。
启示:受国际同行较高薪酬标准的影响, 我国上市公司的薪酬决策存在向上攀升的参照点效应。虽然我们模仿借鉴国外同行良好公司治理实践的初衷是完善对经理的激励和考核, 但由于中西制度落差和行为因素可能产生的负面效应却往往容易被忽视。政策规制方和上市公司在激励制度的制定和执行中都应该对薪酬契约决策中的参照点效应有所考虑。
局限性:首先, 由于缺乏对高管薪酬决策过程和内容的信息披露, 本文将在后续研究中进一步收集高管薪酬决策的详细信息, 探究这一行为因素对高管薪酬水平的影响。其次, 本文尽管已讨论了不同方面的影响因素, 但仍有很多因素没有考虑, 如董事会规模、总经理持股比例和总经理任期等。因此, 未来的研究可能需要考虑这些因素的影响。
参考文献
[1].杜胜利, 翟艳玲.总经理年度薪酬决定因素的实证分析[J].管理世界, 2005 (08)
[2].杜兴强, 王丽华.高层管理当局薪酬与上市公司业绩的相关性实证研究[J].会计研究, 2007 (01)
[3].徐向艺, 王俊韡, 巩震.高管人员薪酬激励与公司治理绩效研究——一项基于深、沪A股上市公司的实证分析[J].中国工业经济, 2007 (02)
[4].张永英.对总经理货币薪酬影响因素的实证研究——基于2007年中国A股非金融类上市公司的经验数据[D].兰州大学硕士论文, 2009