基于深度学习的无线充电车位特征检测与车辆位姿估计研究

发布时间：2021-08-04 06:08

　　近年来,随着电动车辆及无线充电技术的快速发展,采用无线充电方式对电动车辆进行电量补给成了未来电动车辆发展的一个必然趋势。而无线充电效率较低,尤其是在车载接收装置与地面发射装置之间出现错位时,是制约电动车辆无线充电产业发展的一个重要因素。主要体现在车辆对位存在盲区,驾驶员无法观察置于车辆底盘的无线充电接收装置和地面发射装置是否对位准确等信息;停车场环境复杂,传统机器视觉图像特征检测的算法对车位特征点的实时检测存在鲁棒性较差、检测速度较慢、对环境要求较高,以及检测结果类别模糊等不足。针对上述问题,本文借鉴了基于机器学习/深度学习方法在分类、识别、目标检测等领域应用的成功经验,提出了基于深度学习的方法对车位特征检测与车辆位姿估计,为实现无线充电车辆精准对位提供重要的技术借鉴。主要研究内容和取得的研究成果包括以下几个方面:1、研究了多种极端场景下,基于深度学习的无线充电车位特征角点检测算法。采集车位图像数据并标注数据样本,基于YOLOv3-tiny设计卷积神经网络对车位特征进行训练和测试,提取出车位各特征角点的类别信息和位置信息。通过实验证明了检测特征点类别和图像坐标信息的正确性。2、针对实际... 

【文章来源】：深圳大学广东省

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

电动车辆无线充电示意图

基于深度学习的无线充电车位特征检测与车辆位姿估计研究2载组成。它们之间的互感系数(MutualInductance，MI)是一个至关重要的参数，对于估计传输性能或设计和优化WPT系统至关重要。图1.1电动车辆无线充电示意图电动车辆无线充电多采用电磁耦合技术，该技术在理想状态下要求地面的原边发射线圈与固定于车辆的副边接收线圈同轴且平行。但是，在实际应用场景中多易出现无线发射装置与接收装置存在径向错位或角度偏转的现象，造成无线传输功率不同程度的下降[10]。(a)同轴对齐(b)横向错位(c)旋转错位(d)横向和旋转错位图1.2矩形线圈空间相对位置示意图图1.2描述了无线充电车辆中矩形发射线圈与接收线圈在自然状态下可能存在的四种代表性的状态[11,12]，分别是(a)的理想状态下的同轴且对齐、(b)的发生横向的错位、(c)的发生旋转和(d)的发生横向和旋转均存在的错位现象。发射线圈与接收线圈间的错位将直接影响到无线充电中的互感系数，影响程度和受影响因素如式1.1所示。0(cossin)sin_2"""44""112sinh()sin()(,,)(,,0)22kzjkxtytgleturnijiiMekkhrrdtdk+====(1.1)41(,,)iir==(1.2)

基于深度学习的无线充电车位特征检测与车辆位姿估计研究10对模板内像素做针对性的操作，包括平均池化就是对模板内的像素做平均值处理。如图2.1所示为22最大池化操作示意图，输入443特征图经过22最大池化滤波器处理，输出该大小滤波器内的最大值，以固定步长进行滑动处理，生成新的特征图。图2.1最大池化运算示意图2.1.3激活函数在深度神经网络中，从输入层到输出层的数据流动过程就是将一种形态转变成另外一种形态的过程，从一个维度转化向另一个维度的变换过程，完成这种数据变换的一个重要工具就是激活函数[38](ActivationFunctions)。激活函数的主要作用就是打破之前数据的线性关系，针对复杂的事物和数据，多层网络能够有更强大的表达能力。常用的激活函数有Sigmoid、Relu和Leaky_relu函数。(1)Sigmoid激活函数数学式为：11xye=+(2.5)其形状如图2.2所示：


本文编号：3321156