模块化机器人可以基于不同的应用场景灵活快速地构建出不同的运动学构型,具有传统机器人无可比拟的优势。在搭建完成机器人的物理模型之后,开发人员如何根据机器人的物理构型进行软件层面的建模是现在模块化机器人研究的方向之一。然而,模块化机器人系统的构型识别是一个耗费大量时间精力且准确率不高的任务。传统构型识别的方法有基于特定标志的检测方法或者基于内置红外模块的识别方法。由于实际应用场景的复杂性,这些方法存在着一定的局限性。因此,本文针对模块化机器人构型识别目前存在的痛点,主要完成以下三个工作:a)本文构建一个具有一定数量的、较为完整的模块化机器人数据集。当前业界还未存在一个适用性较高的开源模块化机器人图像数据集。因此,本文根据实际的应用场景,采集包含各种复杂情况的模块化机器人图像并进一步作图像增强操作,最后得到一个可被用于模型训练的数据集。b)受单阶段目标检测的思想的启发,本文提出一种基于DLA特征提取层的多任务学习神经网络。此网络完成模块中心点预测、模块分类以及包围框回归预测等任务,辅助后续模块机器人的运动链构建。c)本文提出一种基于Io U的广度优先搜索算法。承接上述工作,该算法将识别得到的模块中心点抽象成连通图,并且使用中心点间距和Io U作为多重判据进行路径搜索,识别当前模块机器人的运动链构型。本文通过实验验证该方法的有效性。本文对数据集进行7:3的划分并用于模块识别模型的训练。可视化训练结果呈现出训练集的L1损失和泛化误差均在2.5左右,效果显著。在实际的应用中,本文的方法能够在无需给机器人安装额外检测组件的情况下实现机器人的运动链构型识别,且对于噪声环境具有较高的鲁棒性。本文的工作给模块化机器人的构型识别方式提供一种新思路。相较于传统模块化机器人构型识别方法,本文提出的算法具有灵活、识别速度快、经济成本低的优点。