无人机行驶过程中障碍物检测及避障处理研究

发布时间：2020-07-19 20:15

【摘要】：随着科技的不断进步,无人机在社会生活中的应用也越来越广泛,例如环境监测、农业植保、航空摄影、监视侦查等。无人机的避障处理研究一直是研究的热点,目前无人机避障的主要工作原理是通过不同类型的传感器来检测无人机四周的障碍物,然后采取相对应的避障措施,来预防无人机因碰撞而坠毁。在最近几年兴起的人工智能潮流中,随着卷积神经网络和深度学习的广泛应用,基于深度学习的目标检测与识别方法较传统的检测方法在性能上有了很大的提升,成为目标检测领域的一大推动力。本文主要在基于深度卷积神经网络为基础的目标检测方法,设计新的避障处理系统,主要包括以下工作内容:文章首先阐述了障碍物检测的原理。详细介绍了新兴的深度学习技术—卷积神经网络。并介绍了基于卷积神经网络的经典目标检测方法—RCNN系列检测方法的特点。然后简要介绍了目标检测方法中使用的常见数据库。其次,本文选择使用另一种目标检测算法(YOLO系列目标检测算法),相比于RCNN系列,YOLO系列拥有更快的识别速度,可以将其运用在无人机障碍物检测中。对于无人机在行驶过程中可能遇到的障碍物,例如树、路灯等,本文进行了相关数据的样本采集并制作成数据集。针对本地数据库,使用YOLOv3算法取得了较好的识别效果。最后,在避障处理研究中,本文针对强化学习避障需要消耗大量计算资源的问题,通过加入事件驱动机制,可以在优化计算量的同时,减少所需迭代次数,从而进行更加简单有效的避障处理。同时针对可能遇到的动态障碍物,提出基于动态窗口法的无人机局部避障算法,在面对不同障碍物的情况下设置不同的安全距离,得到更加合理与平滑的避障路径。
【学位授予单位】：广西科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：V279;V249
【图文】：

特征图,局部连接

图 2-1 局部连接Figure 2-1 Local connection在连续的几个卷积层之后。池化层对卷积特征图的宽度和高度，从而达到减少神经化操作有最大值池化和平均值池化这两种化。最大值池化一般只有两种形式：一种是池化；另一种是步长为 2，尺寸为2 × 2的池

示意图,过程,示意图,特征图

图 2-1 局部连接Figure 2-1 Local connection池化层一般添加在连续的几个卷积层之后。池化层对卷积之后的特征图进行，具体方法为压缩特征图的宽度和高度，从而达到减少神经网络参数和控制过的目的。常用的池化操作有最大值池化和平均值池化这两种。通常最大值池化果要优于平均值池化。最大值池化一般只有两种形式：一种是池化核的尺寸为3长为 2，也叫重叠池化；另一种是步长为 2，尺寸为2 × 2的池化核。

偏导数,输出层,隐藏层,反向传播

图 2-3 卷积神经网络结构Figure 2-3 CNN structure2.1.2 卷积神经网络传播方式反向传播算法（BP 算法）是目前最成功的神经网络学习算法。其主要思想是先进行前向传播计算，得到隐藏层和输出层的激活值，如果输出结果与期望结果有误差，通常计算输出值与期望值之间误差的平方作为目标函数，并将目标函数从输出层开始向输入层进行反向传播。在反向传播的过程中，需要依次从右往左计算各层的偏导数，首先计算输出层的偏导数即损失函数的偏导数，得到输出层所有的和，使用梯度下降法更新参数得到新的权重和偏置并引入隐含层神经元中，然后依次计算隐藏层和输入层的偏导数根据误差调整各种参数的值，不断迭代上述过程，直至收敛，最后得到使误差最小的和。在前向传播过程中：( )=( ) ( )+( )（2-1）

【相似文献】