基于深度学习的导航系统设计与实现

发布时间：2020-03-27 01:26

【摘要】：近年来,自动驾驶技术凭借其在物流、环保、交通技术等领域的广阔应用前景受到了学术界与工业界的广泛关注。其中视觉导航算法拥有成本低廉、对信号干扰不敏感等优点,成为了热门的研究方向。随着计算机硬件的快速迭代更新,在不断增长的算力加持下,人工智能领域日新月异,深度学习蓬勃发展,取得了令人瞩目的成就。受此影响,计算机视觉领域也涌现出许多先进的算法,在模式识别、图像分割等研究方向上取得了突破性的进展。利用深度学习工具解决视觉导航中面临的问题显然是极具前景的研究方向。本文基于深度学习设计并实现了一个视觉导航系统,从数据集的采集、标定到全天候视觉导航形成了一个完备的解决方案。其中,工作重点之一是基于深度学习的视觉导航系统框架的设计以及相关算法的改进,工作重点之二是提出多域风格转换模型完成全天候导航的任务。针对数据集标注难问题,本文对RatSLAM算法进行了分析解构。首先利用视频帧初步生成经验地图,再通过回环反馈,优化提高地图精度。然后对视频帧与经验地图的数据结构进行解构,得到经过位置标定的图片。导航模型部分,本文通过对光流网络(FlowNet)的分析,完成了DeepVO算法的改进。图片通过改进后的光流网络进行解析编码,得到包含两张图片间光流信息的信息流。将该信息流输入双层LSTM网络,输出位姿信息。然后经过一个SE(3)层对位姿信息进行累计,输出所在位置。全天候导航部分,本文受对偶GAN与条件GAN的启发,提出了一种多域风格转换模型,能够将晚上或傍晚风格的图片转换到白天。将统一风格的图片输入视觉导航模型中,完成全天候的导航任务。另外,多域风格转换模型不仅能够解决全天候的视觉导航任务,而且具有较强的泛化能力,在其他的图像风格转换任务上也取得了不错的生成效果。本文对基于深度学习的视觉导航系统进行了整体实验评估,在电子科技大学清水河校区主楼前广场上,从数据采集到导航实验,验证了系统的可靠性。实验表明该基于深度学习的导航系统能够初步完成导航任务。
【图文】：

隐藏层,神经网络

深度学习是机器学习的一个分支，也是近几年来非常热门的研究方向，在多个计算机科学的细分领域都展现出了强大的实力。深度学习基于深度神经网络(DeepNeuralNetwork，DNN，图 1-2)。与深度对立的则是浅层神经网络，而浅层神经网络其实就是 DNN 的前身，神经网络(NeuralNetwork，NN)。这个结构在 20 世纪 40年代就已经被提出[14]。Hinton、Williams 以及 Rumelhart 于 1988 年提出反向传播算法[15]后，NN 模型开始兴起，在 20 世纪 90 年代成为非常热门的研究方向。但由于浅层 NN 的结构限制，能解决的问题非常有限，相比于高斯混合模型(GaussianMixtureModel，GMM)以及支持向量机(SupportVector Machine，SVM)[16]等机器学习算法，效果并不好。而 DNN 模型则因为多方面原因无法发挥强大的实力。具体而言：(1) 硬件算力不足以支撑 DNN 模型庞大的计算量，使得 DNN 模型的训练时长难以忍受，无法快速迭代调试。(2) 训练数据极度匮乏，而 DNN 在小型数据集上很容易出现过拟合现象。(3) 针对 DNN 的优化基本不是凸优化，当时并没有良好的解决办法，使 DNN很难达到全局最优解。

领域,错误率,识别率,数据集

使得算力不再是 DNN 的瓶颈，DNN 训练时间迅速缩短，网络深度也可以进一步加大。随机梯度下降(Stochastic gradient descent，SGD)[18]算法的提出，让 DNN 在收敛到局部最优解时可以跳出，而不是给出错误的结果。层次预训练方法，在训练前进行全局优化，使网络中的参数获得一个较好的初始值，从而更容易得到全局最优解。梯度消失(爆炸)问题也在 ReLU[19]等非饱和激活函数的提出后得到了有效的抑制。过拟合问题在信息爆炸带来的巨大数据量以及 Dropout 等方法的广泛应用达到了可控的程度。这几年 DNN 领域频频传来捷报。在识别手写体的测试中，DNN 的错误率只有 0.39%，而 SVM 模型是 1.4%[20]。在语音识别问题中，DNN 历史性的将错误率降到了 16%[21]，在此之前，23%的准确率保持了 10 年之久。图像识别领域，，LabeledFaces in the Wild (LFW)[22]是当前最权威的人脸数据集，深度学习算法在这个数据集上的识别率达到了 99.47%[23]，相比而言，其他算法最好的识别率是 96.33%[24]。2012 年，在机器视觉领域著名的 ImageNet[25]比赛上，Hintion 等人使用 DNN 以绝对的优势取得了冠军。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN961;TP18

【相似文献】