面向道路车流检测的飞控平台自主飞行方法研究
发布时间：2021-09-02 20:45
随着汽车保有量的不断增长,交通拥堵日益成为一个亟待解决的问题,而交通流的实时检测是解决交通拥堵问题的核心。通过分析现有交通流检测方法的优缺点,考虑到无人机机动性强、成本低、视域好的优点,提出采用无人机自主去实现道路交通流的检测。然而现有无人机在GPS较弱环境中很难进行自主飞行且不具备交通流检测的功能,因此本文以道路交通流检测为背景,在自动驾驶软件PX4的基础上,对飞控平台自主飞行的方法进行研究,旨在实现无人机的自主飞行,为交通流检测提供一种解决方案。论文的主要研究内容如下:（1）建立面向飞控平台的实时道路目标深度神经网络检测模型。针对现有目标检测模型无法满足道路目标检测准确性和实时性的要求,为提高道路目标检测的准确性和实时性,分析现有目标检测模型的优缺点,提出一种基于残差块和多尺度特征进行特征提取、基于Logistic分类器进行分类、采用Anchor进行道路目标边界框预测、基于回归思想进行道路目标分类和定位的实时道路目标检测模型,并通过实验对本模型的准确性和实时性进行测试。（2）建立面向飞控平台的无监督单目深度估计模型。受双目深度估计原理的启发,提出重构虚拟相机而实现单目深度估计的无监...
【文章来源】：西安科技大学陕西省
【文章页数】：96 页
【学位级别】：硕士
【部分图文】：
我国每年的汽车保有量目前对车流量实时检测的方法可以分为四类，一类是基于人工统计的方法，该方式
西安科技大学硕士学位论文102.1.3确立面向飞控平台的实时道路目标检测模型思路基于对现有两种类型目标检测算法的分析，得知现有目标检测算法无法满足道路目标检测准确性和实时性的要求，从“不断探索，不断改善”思想出发，总结和分析现有目标检测算法的优缺点，结合城市道路和无人机的实际情况，确立面向飞控平台的实时道路目标检测模型思路，具体思路如图2.1所示。图2.1面向飞控平台的实时道路目标深度神经网络检测模型构建思路由图2.1可知，面向飞控平台的实时道路目标深度神经网络检测模型构建思路大致过程为：首先对现有两类目标检测算法进行详细分析，了解现有目标检测算法的基本流程和优缺点，然后考虑本文目标检测算法应用道路环境的复杂性和无人机所用微型计算机的实际情况，最后借鉴现有各种目标检测算法的优点（基于回归进行目标分类和定位的单步目标检测算法实时性好、FasterRCNN中通过Anchor进行候选框选择准确度高、残差块进行特征提取可以防止网络过拟合、基于Logistic回归进行分类可以实现多标签分类、多尺度特征进行目标检测可以实现对不同大小目标的检测），通过融合改进的方式提出面向飞控平台的实时道路目标深度神经网络检测模型。2.2建立面向飞控平台的实时道路目标深度神经网络检测模型通过上一节的分析确定了构建面向飞控平台的实时道路目标深度神经检测模型的思路，本节基于此思路建立面向飞控平台的实时道路目标深度神经网络检测模型。为满足道路目标检测的实时性，基于回归进行目标分类和定位的单步目标检测思想建立实时
面向飞控平台的实时道路目标深度神经网络检测模型13测。回归分类器采用的归一化函数为Sigmold函数，其公式见公式（2.1），公式图像如图2.4所示，由图像可知y0.5时，x0。回归分类器的本质就是通过归一化处理从训练数据特征中学习出一个0/1模型，工作原理如下：1()1xfxe(2.1)图2.4Sigmold函数假设经过Sigmold函数处理的预测值为h(x)，见公式2.2：1()()1TTxhxgxe(2.2)式中x表示输入的值，为求解的权值，h(x)为预测值。真实值y1或y0，因此对于输入x分类结果为1或者0的概率为公式（2.3）所示：当预测结果h(x)大于0.5时，预测结果就是1类，反之就是0类，基于此该分类器实现了多标签分类。(1|;)()(0|;)1()PyxhxPyxhx(2.3)为实现对模型了训练，采用最大似然估计的方法求解最优的预测值，为此根据公式（2.3）构建预测值的概率分布函数：1(|;)(())(1())yyPyxhxhx(2.4)假设有m个需要预测的的对象，真实观测值为iy，预测值为h(x)，因此各个观测值独立，因此联合分布函数可以表示为各个预测值之间的乘积L()：111()(|;)(())(1())iimmyyiiiiiiLPyxhxhx(2.5)为减少运算量，通过对公式（2.5）等式两边同时取对数将乘法运算变成假发运算，
【参考文献】：
期刊论文
[1]基于系统架构的典型四旋翼无人机设计[J]. 武仲芝,王雷,马建平,谭思玚,郭曼仪. 计算机科学. 2019(S2)
[2]四旋翼无人机自主循迹系统设计[J]. 蔡鑫,沈捷,王莉,肖智中. 电光与控制. 2019(10)
[3]基于DenseNet的单目图像深度估计[J]. 何通能,尤加庚,陈德富. 计算机测量与控制. 2019(02)
[4]目标检测算法研究综述[J]. 方路平,何杭江,周国民. 计算机工程与应用. 2018(13)
[5]基于机载视觉引导的无人机自主循迹研究[J]. 林勇,秦文静,戚国庆. 电子设计工程. 2018(08)
[6]基于深度神经网络的低空弱小无人机目标检测研究[J]. 王靖宇,王霰禹,张科,蔡宜伦,刘越. 西北工业大学学报. 2018(02)
[7]基于Spark的分布式车流量检测方法设计与实现[J]. 张洪,赵平,伍玲,牛新征. 计算机测量与控制. 2018(02)
[8]基于MEMS/GPS的航向姿态测量系统设计[J]. 刘强,王昌刚,刘玉宝,刘晓川. 传感技术学报. 2016(08)
[9]基于视觉的小型四旋翼无人机自主飞行控制[J]. 鲜斌,刘洋,张旭,曹美会. 机械工程学报. 2015(09)
[10]大城市交通拥堵的缓解策略[J]. 刘治彦. 城市问题. 2014(12)
博士论文
[1]基于手机信令的道路交通状态识别及预测研究[D]. 詹益旺.华南理工大学 2017
[2]基于多传感器融合的无人机自主避障研究[D]. 何守印.北京理工大学 2016
[3]多旋翼无人机的姿态与导航信息融合算法研究[D]. 张欣.中国科学院研究生院(长春光学精密机械与物理研究所) 2015
硕士论文
[1]基于视觉的四旋翼无人机室内自主导航系统的研究与实现[D]. 张鹏.电子科技大学 2019
[2]高精度GPS定位方法及其在无人机定位系统中应用的研究[D]. 葛昌利.南京邮电大学 2018
[3]微惯性辅助的激光雷达室内同步建图与定位技术研究[D]. 杨景阳.南京航空航天大学 2014
[4]基于Radar-scanner/INS的微小型旋翼无人机室内组合导航与控制的研究[D]. 孔天恒.浙江大学 2014
本文编号：3379703
【文章来源】：西安科技大学陕西省
【文章页数】：96 页
【学位级别】：硕士
【部分图文】：
我国每年的汽车保有量目前对车流量实时检测的方法可以分为四类，一类是基于人工统计的方法，该方式
西安科技大学硕士学位论文102.1.3确立面向飞控平台的实时道路目标检测模型思路基于对现有两种类型目标检测算法的分析，得知现有目标检测算法无法满足道路目标检测准确性和实时性的要求，从“不断探索，不断改善”思想出发，总结和分析现有目标检测算法的优缺点，结合城市道路和无人机的实际情况，确立面向飞控平台的实时道路目标检测模型思路，具体思路如图2.1所示。图2.1面向飞控平台的实时道路目标深度神经网络检测模型构建思路由图2.1可知，面向飞控平台的实时道路目标深度神经网络检测模型构建思路大致过程为：首先对现有两类目标检测算法进行详细分析，了解现有目标检测算法的基本流程和优缺点，然后考虑本文目标检测算法应用道路环境的复杂性和无人机所用微型计算机的实际情况，最后借鉴现有各种目标检测算法的优点（基于回归进行目标分类和定位的单步目标检测算法实时性好、FasterRCNN中通过Anchor进行候选框选择准确度高、残差块进行特征提取可以防止网络过拟合、基于Logistic回归进行分类可以实现多标签分类、多尺度特征进行目标检测可以实现对不同大小目标的检测），通过融合改进的方式提出面向飞控平台的实时道路目标深度神经网络检测模型。2.2建立面向飞控平台的实时道路目标深度神经网络检测模型通过上一节的分析确定了构建面向飞控平台的实时道路目标深度神经检测模型的思路，本节基于此思路建立面向飞控平台的实时道路目标深度神经网络检测模型。为满足道路目标检测的实时性，基于回归进行目标分类和定位的单步目标检测思想建立实时
面向飞控平台的实时道路目标深度神经网络检测模型13测。回归分类器采用的归一化函数为Sigmold函数，其公式见公式（2.1），公式图像如图2.4所示，由图像可知y0.5时，x0。回归分类器的本质就是通过归一化处理从训练数据特征中学习出一个0/1模型，工作原理如下：1()1xfxe(2.1)图2.4Sigmold函数假设经过Sigmold函数处理的预测值为h(x)，见公式2.2：1()()1TTxhxgxe(2.2)式中x表示输入的值，为求解的权值，h(x)为预测值。真实值y1或y0，因此对于输入x分类结果为1或者0的概率为公式（2.3）所示：当预测结果h(x)大于0.5时，预测结果就是1类，反之就是0类，基于此该分类器实现了多标签分类。(1|;)()(0|;)1()PyxhxPyxhx(2.3)为实现对模型了训练，采用最大似然估计的方法求解最优的预测值，为此根据公式（2.3）构建预测值的概率分布函数：1(|;)(())(1())yyPyxhxhx(2.4)假设有m个需要预测的的对象，真实观测值为iy，预测值为h(x)，因此各个观测值独立，因此联合分布函数可以表示为各个预测值之间的乘积L()：111()(|;)(())(1())iimmyyiiiiiiLPyxhxhx(2.5)为减少运算量，通过对公式（2.5）等式两边同时取对数将乘法运算变成假发运算，
【参考文献】：
期刊论文
[1]基于系统架构的典型四旋翼无人机设计[J]. 武仲芝,王雷,马建平,谭思玚,郭曼仪. 计算机科学. 2019(S2)
[2]四旋翼无人机自主循迹系统设计[J]. 蔡鑫,沈捷,王莉,肖智中. 电光与控制. 2019(10)
[3]基于DenseNet的单目图像深度估计[J]. 何通能,尤加庚,陈德富. 计算机测量与控制. 2019(02)
[4]目标检测算法研究综述[J]. 方路平,何杭江,周国民. 计算机工程与应用. 2018(13)
[5]基于机载视觉引导的无人机自主循迹研究[J]. 林勇,秦文静,戚国庆. 电子设计工程. 2018(08)
[6]基于深度神经网络的低空弱小无人机目标检测研究[J]. 王靖宇,王霰禹,张科,蔡宜伦,刘越. 西北工业大学学报. 2018(02)
[7]基于Spark的分布式车流量检测方法设计与实现[J]. 张洪,赵平,伍玲,牛新征. 计算机测量与控制. 2018(02)
[8]基于MEMS/GPS的航向姿态测量系统设计[J]. 刘强,王昌刚,刘玉宝,刘晓川. 传感技术学报. 2016(08)
[9]基于视觉的小型四旋翼无人机自主飞行控制[J]. 鲜斌,刘洋,张旭,曹美会. 机械工程学报. 2015(09)
[10]大城市交通拥堵的缓解策略[J]. 刘治彦. 城市问题. 2014(12)
博士论文
[1]基于手机信令的道路交通状态识别及预测研究[D]. 詹益旺.华南理工大学 2017
[2]基于多传感器融合的无人机自主避障研究[D]. 何守印.北京理工大学 2016
[3]多旋翼无人机的姿态与导航信息融合算法研究[D]. 张欣.中国科学院研究生院(长春光学精密机械与物理研究所) 2015
硕士论文
[1]基于视觉的四旋翼无人机室内自主导航系统的研究与实现[D]. 张鹏.电子科技大学 2019
[2]高精度GPS定位方法及其在无人机定位系统中应用的研究[D]. 葛昌利.南京邮电大学 2018
[3]微惯性辅助的激光雷达室内同步建图与定位技术研究[D]. 杨景阳.南京航空航天大学 2014
[4]基于Radar-scanner/INS的微小型旋翼无人机室内组合导航与控制的研究[D]. 孔天恒.浙江大学 2014
本文编号：3379703
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3379703.html
