张正光，博士，教授，博士生导师。2002年于南京农业大学植物病理学专业获博士学位。2000.4—2000.12在蛋白质工程及植物基因工程国家重点实验室从事植物对疫霉菌非寄主抗性分子机制研究；2005-2006 美国路易丝安娜州立大学健康研究中心儿童研究所从事真菌分子生物学与信号传导博士后研究。现致力于植物病原真菌分子生物学及植物与病原菌互作分子机制研究。在国内外发表研究论文70余篇，其中SCI论文30多篇。南京农业大学“133人才工程”学术带头人。2006年入选江苏省“青蓝工程”优秀骨干教师，2007年入选教育部新世纪优秀人才支持计划，2011年获江苏省青年科技奖。国际期刊PLoS ONE编委。
这事最好问评委，搜“全国高级职称考试教材郑州文力编辑部、高级职称论文评委郑州文力教授”，多省请他当评委、修订高级职称申报评审定条件。他是中国学报联盟、中国期刊联合会负责人，创办郑州论文大学全国发表中心。
是。但必须找：高级职称论文郑密路航海路全国办。
首先，我们要了解，机器人领域的视觉（Machine Vision）跟计算机领域（Computer Vision）的视觉有一些不同：机器视觉的目的是给机器人提供操作物体的信息。所以，机器视觉的研究大概有这几块： 物体识别（Object Recognition）：在图像中检测到物体类型等，这跟 CV 的研究有很大一部分交叉； 位姿估计（Pose Estimation）：计算出物体在摄像机坐标系下的位置和姿态，对于机器人而言，需要抓取东西，不仅要知道这是什么，也需要知道它具体在哪里； 相机标定（Camera Calibration）：因为上面做的只是计算了物体在相机坐标系下的坐标，我们还需要确定相机跟机器人的相对位置和姿态，这样才可以将物体位姿转换到机器人位姿。当然，我这里主要是在物体抓取领域的机器视觉；SLAM 等其他领域的就先不讲了。 由于视觉是机器人感知的一块很重要内容，所以研究也非常多了，我就我了解的一些，按照由简入繁的顺序介绍吧： 0. 相机标定 这其实属于比较成熟的领域。由于我们所有物体识别都只是计算物体在相机坐标系下的位姿，但是，机器人操作物体需要知道物体在机器人坐标系下的位姿。所以，我们先需要对相机的位姿进行标定。 内参标定就不说了，参照张正友的论文，或者各种标定工具箱； 外参标定的话，根据相机安装位置，有两种方式：Eye to Hand：相机与机器人极坐标系固连，不随机械臂运动而运动Eye in Hand：相机固连在机械臂上，随机械臂运动而运动 两种方式的求解思路都类似，首先是眼在手外（Eye to Hand） 只需在机械臂末端固定一个棋盘格，在相机视野内运动几个姿态。由于相机可以计算出棋盘格相对于相机坐标系的位姿 、机器人运动学正解可以计算出机器人底座到末端抓手之间的位姿变化 、而末端爪手与棋盘格的位姿相对固定不变。 这样，我们就可以得到一个坐标系环而对于眼在手上（Eye in Hand）的情况，也类似，在地上随便放一个棋盘格（与机器人基座固连），然后让机械臂带着相机走几个位姿，然后也可以形成一个 的坐标环平面物体检测 这是目前工业流水线上最常见的场景。目前来看，这一领域对视觉的要求是：快速、精确、稳定。所以，一般是采用最简单的边缘提取+边缘匹配/形状匹配的方法；而且，为了提高稳定性、一般会通过主要打光源、采用反差大的背景等手段，减少系统变量。目前，很多智能相机（如 cognex）都直接内嵌了这些功能；而且，物体一般都是放置在一个平面上，相机只需计算物体的 三自由度位姿即可。 另外，这种应用场景一般都是用于处理一种特定工件，相当于只有位姿估计，而没有物体识别。 当然，工业上追求稳定性无可厚非，但是随着生产自动化的要求越来越高，以及服务类机器人的兴起。对更复杂物体的完整位姿 估计也就成了机器视觉的研究热点。 2. 有纹理的物体 机器人视觉领域是最早开始研究有纹理的物体的，如饮料瓶、零食盒等表面带有丰富纹理的都属于这一类。 当然，这些物体也还是可以用类似边缘提取+模板匹配的方法。但是，实际机器人操作过程中，环境会更加复杂：光照条件不确定（光照）、物体距离相机距离不确定（尺度）、相机看物体的角度不确定（旋转、仿射）、甚至是被其他物体遮挡（遮挡）。幸好有一位叫做 Lowe 的大神，提出了一个叫做 SIFT （Scale-invariant feature transform）的超强局部特征点： Lowe, David G. "Distinctive image features from scale-invariant keypoints."International journal of computer vision 60.2 (2004): 91-110. 具体原理可以看上面这篇被引用 4万+ 的论文或各种博客，简单地说，这个方法提取的特征点只跟物体表面的某部分纹理有关，与光照变化、尺度变化、仿射变换、整个物体无关。 因此，利用 SIFT 特征点，可以直接在相机图像中寻找到与数据库中相同的特征点，这样，就可以确定相机中的物体是什么东西（物体识别）。对于不会变形的物体，特征点在物体坐标系下的位置是固定的。所以，我们在获取若干点对之后，就可以直接求解出相机中物体与数据库中物体之间的单应性矩阵。 如果我们用深度相机（如Kinect）或者双目视觉方法，确定出每个特征点的 3D 位置。那么，直接求解这个 PnP 问题，就可以计算出物体在当前相机坐标系下的位姿。↑ 这里就放一个实验室之前毕业师兄的成果 当然，实际操作过程中还是有很多细节工作才可以让它真正可用的，如：先利用点云分割和欧氏距离去除背景的影响、选用特征比较稳定的物体（有时候 SIFT 也会变化）、利用贝叶斯方法加速匹配等。 而且，除了 SIFT 之外，后来又出了一大堆类似的特征点，如 SURF、ORB 等。 3. 无纹理的物体 好了，有问题的物体容易解决，那么生活中或者工业里还有很多物体是没有纹理的：我们最容易想到的就是：是否有一种特征点，可以描述物体形状，同时具有跟 SIFT 相似的不变性？ 不幸的是，据我了解，目前没有这种特征点。 所以，之前一大类方法还是采用基于模板匹配的办法，但是，对匹配的特征进行了专门选择（不只是边缘等简单特征）。 这里，我介绍一个我们实验室之前使用和重现过的算法 LineMod： Hinterstoisser, Stefan, et al. "Multimodal templates for real-time detection of texture-less objects in heavily cluttered scenes." Computer Vision (ICCV), 2011 IEEE International Conference on. IEEE, 2011. 简单而言，这篇论文同时利用了彩色图像的图像梯度和深度图像的表面法向作为特征，与数据库中的模板进行匹配。 由于数据库中的模板是从一个物体的多个视角拍摄后生成的，所以这样匹配得到的物体位姿只能算是初步估计，并不精确。 但是，只要有了这个初步估计的物体位姿，我们就可以直接采用 ICP 算法（Iterative closest point）匹配物体模型与 3D 点云，从而得到物体在相机坐标系下的精确位姿。当然，这个算法在具体实施过程中还是有很多细节的：如何建立模板、颜色梯度的表示等。另外，这种方法无法应对物体被遮挡的情况。（当然，通过降低匹配阈值，可以应对部分遮挡，但是会造成误识别）。 针对部分遮挡的情况，我们实验室的张博士去年对 LineMod 进行了改进，但由于论文尚未发表，所以就先不过多涉及了。 4. 深度学习 由于深度学习在计算机视觉领域得到了非常好的效果，我们做机器人的自然也会尝试把 DL 用到机器人的物体识别中。 首先，对于物体识别，这个就可以照搬 DL 的研究成果了，各种 CNN 拿过来用就好了。有没有将深度学习融入机器人领域的尝试？有哪些难点？ - 知乎 这个回答中，我提到 2016 年的『亚马逊抓取大赛』中，很多队伍都采用了 DL 作为物体识别算法。 然而， 在这个比赛中，虽然很多人采用 DL 进行物体识别，但在物体位姿估计方面都还是使用比较简单、或者传统的算法。似乎并未广泛采用 DL。 如 @周博磊 所说，一般是采用 semantic segmentation network 在彩色图像上进行物体分割，之后，将分割出的部分点云与物体 3D 模型进行 ICP 匹配。 当然，直接用神经网络做位姿估计的工作也是有的，如这篇： Doumanoglou, Andreas, et al. "Recovering 6d object pose and predicting next-best-view in the crowd." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016. 它的方法大概是这样：对于一个物体，取很多小块 RGB-D 数据（只关心一个patch，用局部特征可以应对遮挡）；每小块有一个坐标（相对于物体坐标系）；然后，首先用一个自编码器对数据进行降维；之后，用将降维后的特征用于训练Hough Forest。 5. 与任务/运动规划结合 这部分也是比较有意思的研究内容，由于机器视觉的目的是给机器人操作物体提供信息，所以，并不限于相机中的物体识别与定位，往往需要跟机器人的其他模块相结合。我们让机器人从冰箱中拿一瓶『雪碧』，但是这个 『雪碧』 被『美年达』挡住了。 我们人类的做法是这样的：先把 『美年达』 移开，再去取 『雪碧』 。 所以，对于机器人来说，它需要先通过视觉确定雪碧在『美年达』后面，同时，还需要确定『美年达』这个东西是可以移开的，而不是冰箱门之类固定不可拿开的物体。 当然，将视觉跟机器人结合后，会引出其他很多好玩的新东西。由于不是我自己的研究方向，所以也就不再班门弄斧了。机器人家上有关于这个很详细的图文讲解，你可以看下，希望对你有用
标定，我的理解应该是标准50mm定焦镜头。在镜头当中，50mm焦距镜头因为最接近人眼所观测时的角度，所以，50mm镜头在摄影当中被认定为标准镜头。又因为定焦镜头在成像质量上要优越于变焦镜头，所以才得到“标定”的推荐。虽然50mm焦距的角度接近人眼的角度，但是人在看东西的时候，因为距离被观测事物的远近会影响你所看到的事物的大小（近大远小），同理，相机在拍摄中，求实际距离是很难实现的。所以，个人认为有必要用辅助标尺来进行拍摄来求实际距离。建议： 1，将拍摄距离，即物距固定（个人建议物距为30厘米），使用三角架或者其他方式固定相机，然后固定被拍摄对象们在相同的距离来拍摄。 2，保持水平拍摄，即被拍摄者的眼睛水平于相机镜头中心点。 2，保持相同的相机设置以及光线设置，得到同样的曝光图片。 3，使用标尺标明距离。
机器人抓取时的定位可以使用多种感测器，常见的有以下几种：
优势: 在静态环境下定位准确，稳定， 单目和双目版本都可以达到实时(高于10frames/s)。代码可读性强，易扩展， 网上也有实现和imu融合的版本。
劣势：建的地图点云稀疏。 运行速度方面，因为提特征点的时间有瓶颈最快的运行速度应该不超过30frames/s, 我在本机 (i7-6600U) 测的速度基本都在20frames/s左右，因此对于高帧率的相机需要降帧率才能用。对动态物体很敏感，再有动态物体时非常容易tracking lost。
总的来说ORB-SLAM还是在智能驾驶领域用得最广泛的SLAM算法，因为它在work的时候可以做得很好，急需解决的问题是对特征点提取的加速，以及处理的环境中的动态物体。
一周内两次登上国际科学期刊，中科大潘建伟团队太“忙”了！
6 月 15 日，《Nature》杂志刊登了潘建伟团队主导的量子通信研究《基于纠缠的千公里级安全量子加密》。
6 月 18 日，《Science》杂志以“First Release”形式刊登了潘建伟、苑震生在超冷原子量子计算和模拟研究的最新进展，题为“Cooling and entangling ultracold atoms in optical lattices”《在光学晶格中冷却和纠缠超低温原子》。
雷锋网注：图片截自 Science
在后者这项研究中，研究人员实验了首次提出的冷却新机制，实验后使系统的熵 降低了 65 倍 ，达到了创纪录的低熵。
在此基础上，研究团队在光晶格中 首次实现了 1250 对原子高保真度纠缠态的同步制备，保真度为 99.3%。
在量子计算领域，量子纠缠被视为核心资源，随纠缠比特数目的增长，量子计算的能力也将呈指数增长。
因此， 大规模纠缠态的制备、测量和相干操控成为了量子计算研究的核心问题。
通常情况下，实现大规模纠缠态要先同步制备大量纠缠粒子对，再通过量子逻辑门操作将其连接形成多粒子纠缠。
由此， 高品质纠缠粒子对的同步制备是实现大规模纠缠态的首要条件。
在实现量子比特的物理体系中，由于具备良好的可升扩展性和高精度的量子操控性，光晶格超冷原子比特和超导比特被视为最可能率先实现规模化量子纠缠的系统。
早在 2010 年，中科大研究团队就与德国海德堡大学展开了合作，对基于超冷原子光晶格的可拓展量子信息处理展开联合攻关。
研究人员开发了具有自旋依赖特性的超晶格系统，形成了一系列并行的双阱势。
不仅如此，每个双阱势用光场产生了有效磁场梯度，结合微波场，实现了对超晶格中左右格点及两种原子自旋等自由度的高保真度量子调控。
据量子物理和量子信息研究部的说法，在早期研究中，研究团队使用 Rb-87 超冷原子制备了 600 多对保真度为 79% 的超冷原子纠缠态并使用该体系调控特殊的环交换相互作用产生四体纠缠态，模拟了拓扑量子计算中的任意子激发模型。
但由于 晶格中原子的温度偏高，使其填充缺陷大于 10%， 不利于形成更大的多原子纠缠态和提升纠缠保真度。
因此，光晶格超冷原子比特系统需要进一步提升。
论文指出，研究团队首次提出了新制冷机制，即利用交错式晶格结构将处在绝缘态的冷原子浸泡到超流态中，通过绝缘态和超流态之间高效率的原子和熵的交换，以超流态低能激发的形式存储系统中的热量，再用精确的调控手段移除超流态，从而获得低熵的填充晶格。
基于此，研究人员在一个具有 10000 个原子的量子模拟器展开了实验。在二维平面上，研究人员将莫脱绝缘体样品浸泡在可移动的超流体储层中使其冷却。
雷锋网注：图为光晶格中原子冷却的示意图
结果显示，制冷后使系统的熵达到了创纪录的低熵， 降低了 65 倍 ，不仅如此， 晶格中原子填充率大幅提高到 99.9% 以上，达到近乎完美的程度。
在这一制冷基础上，研究人员进一步推进研究。
研究人员开发了两原子比特高速纠缠门，最终 获得了纠缠保真度为 99.3% 的 1250 对纠缠原子。
对此，研究人员表示，其研究为 探索 低能量多体相提供了一个环境，使产生大规模的纠缠更具可能性。
另外，对于这一研究结果，《Science》杂志的审稿人给与了正面评价：
超冷原子量子计算和模拟研究之所以能取得新突破，离不开以潘建伟、苑震生为主导的研究团队，而从其过往的研究经历来看，二位来头不小。
潘建伟
潘建伟，有“量子之父”之称，是“墨子号”的首席科学家。主要从事量子物理和量子信息等方面的研究，是国际上量子信息实验研究领域开拓者之一，同时也是该领域具有重要国际影响力的科学家。
虽然一周连登两次国际期刊，但潘建伟的高光，远不止如此；不仅多次登上国际期刊，还屡次创下记录，主要包括：
苑震生
苑震生，中国科学技术大学教授，其研究方向包括超冷原子量子调控、量子光学，以及原子分子物理。
据量子物理与量子信息研究部官方介绍，苑震生教授在国际权威学术期刊上发表研究论文多达 40 余篇，总引用 2000 次。
其中包括：
·······
尽管这些“最可爱的人”已取得了许多成就，但他们仍未停歇，不断用新的研究成果刷新着我国在量子计算和模拟的进步。
期待更多的研究成果的发布，雷锋网也将持续关注。
参考资料：雷锋网
【1】
【2】
【3】
我记得上高中那会儿，经常听到的就是陈景润还有华罗庚以及祖冲之，这些大人物可谓是声名远播，做出的贡献也是不少。
李治，吴文俊，祖之冲，冯康，江泽涵，熊庆来。
我觉得也有这个可能。因为有很多的人也是非常聪明，他们也是学霸的一种人，但是他们也没有成为天才那种，让人觉得神奇不可思议。
1994年7月 四川省犍为县定文中学校优秀班主任2001年12月 杭州市景芳中学教坛新秀2002年12月 杭州市江干区首届青年教师说课比赛三等奖2003年5月 杭州市江干区少先队优秀辅导员2003年9月 杭州市江干区优秀班主任2003年1月 德育论文《从“师道尊严”到“情感教育”》获江干区2002年度思想政治工作研究会论文评比三等奖。2006年5月 杭州市江干区语文教师命题比赛三等奖
中共党员，经济学博士，毕业于中国社会科学院研究生院。主要从事城市与区域经济、产业经济、资源与环境经济研究。社会兼职：北京城市发展研究院特聘研究员、贵州省册亨县经济社会发展顾问。参加过多项国家级、省部级重大科研项目，参与撰写多部学术著作，并在国内外核心期刊上公开发表多篇学术论文。