基于图像复原技术的机器人路径规划研究
发布时间：2020-12-20 20:35
在移动的智能体研究中,智能体对检测范围内的道路作路径规划是关键的问题之一。智能机器人的路径规划将会使本体准确、快速、安全的到达目的地成为可能,路径规划中的地图构建和定位反映了智能体在运动过程中与周围环境交互的能力,但智能机器在路径规划过程中会受到外界因素干扰,造成视觉传感器采集的图像模糊,影响后续路径障碍的识别,最终导致路径规划失败。针对上述问题,本文首先采用图像复原技术对受到外界因素干扰的图像进行去噪;其次,构建地图环境模型,使用卷积神经网络仿生智能算法对路径障碍进行识别,有效避免了传统算法容错率低,冗余不足的缺陷;最后,利用强化学习决策网络来进行路径规划。本文将图像复原技术应用在智能体上,同神经网络智能算法相结合,在实验室仿真试验下研究智能体的路径规划问题。首先,本文将视觉传感器采集回来的模糊图像(大气湍流、风沙扬尘、大雾天气)进行盲解卷积方法去模糊和降噪处理。这改进了以往图像复原处理噪声技术,从直接将外界噪声信号与原图像像素进行卷积的方法改为对外界噪声环境进行选择性放大的处理方法,使得图像尽可能的恢复到原有无噪声清晰状态;其次,将处理清晰的图像的输入形式转置为列向量后,输入到深度...
【文章来源】：内蒙古科技大学内蒙古自治区
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
强化学习决策路劲规划方案
图 1.1 强化学习决策路劲规划方案（注：S 为当前状态；S’为未来时状态；ai 为产生状态的动作；r 为纠偏值；γ为学习率）（四）机器人路径规划整体方案图像通过视觉传感器采集到 GPU，进行图像复原，图像清晰的标准即能够使得深度学习网络进行障碍识别，将清晰图像由深度学习图像识别单元进行处理，识别输出值概率大于 0.7 时判断其为障碍物，这时卷积神经网络会进行标记，建立障碍物数学模型，将障碍物的坐标在建好的坐标系中标出，最终由强化学习决策网络，根据识别并构建的地图信息来进行路径规划，并通过优化算法碰撞罚函数选出最优线路，从而达到机器人的路径规划。本论文机器人路径规划研究的整体方案如下图 1.2 所示。
已知类条件概率密度参数表达式和先验概率，利用贝叶斯公式转换据后验概率大小进行决策分类。原图像被模糊后，视觉传感器采集原的概率。观察到的图像部分和原有图像有多大的概率是相似的，后，图像处理系统就可以复原该张图片。式 2.1 所表达的就是上述达的意思是上一次的复原和这一次的复原之间的联系。下一次的图复原图像函数和退化部分的图像与复原部分（上一次图像复原的退像复原的能力）的乘积。像的退化及复原复原即利用退化过程中的经验去恢复图像，将退化的图像恢复成原先建立退化的数学模型，根据模型对退化图像进行拟合[28]。图像退化的原因很多，因此不可能得到与其系统完全一致的数学模中，本文采用线性空间系统和加入噪声系统来近似地模拟图像的复线性模型如图 2.1 所示。
【参考文献】：
期刊论文
[1]基于深度学习的人脸大数据系统应用[J]. 张旭,谢鉴. 电子技术与软件工程. 2019(03)
[2]基于深度学习的行人重识别研究进展[J]. 罗浩,姜伟,范星,张思朋. 自动化学报. 2019(11)
[3]基于BP神经网络和证据理论的超声检测缺陷识别[J]. 王力,周志杰,赵福均. 电光与控制. 2018(01)
[4]Path planning of a free-floating space robot based on the degree of controllability[J]. HUANG XingHong,JIA YingHong,XU ShiJie. Science China(Technological Sciences). 2017(02)
[5]机器人视觉方面传感器官技术的应用[J]. 郭福洲. 数字技术与应用. 2016(10)
[6]视觉传感系统的自主移动机器人路径规划方法[J]. 赵婧,曹江涛. 传感器与微系统. 2016(08)
[7]机器人视觉中的障碍物优化识别方法研究[J]. 李丽丽. 计算机仿真. 2016(06)
[8]传感器技术在机器人视觉方面的应用[J]. 芦关山,齐晶薇,于淼. 电子制作. 2015(05)
[9]基于人工神经网络的移动机器人路径规划研究[J]. 陈鸿旭. 电子技术与软件工程. 2014(10)
[10]图像恢复盲解卷积之文献综述[J]. 张蕾,常丽媛,樊冬梅. 科技资讯. 2012(21)
博士论文
[1]室外移动机器人的道路场景识别及路径规划研究[D]. 吴宗胜.西安理工大学 2017
[2]基于盲解卷积的图像盲复原技术研究[D]. 周箩鱼.中国科学院研究生院（长春光学精密机械与物理研究所） 2013
硕士论文
[1]基于神经网络的移动机器人路径规划方法研究[D]. 宫孟孟.哈尔滨工业大学 2017
[2]室内移动机器人路径规划与定位研究[D]. 陈鸿旭.重庆邮电大学 2016
[3]自主移动机器人的路径规划算法研究[D]. 潘琪.湖南大学 2016
[4]动态环境下自主移动机器人路径规划研究[D]. 杨硕.广东工业大学 2014
[5]轮式移动机器人路径规划与跟踪控制[D]. 刘青.南京理工大学 2014
[6]人工智能理论研究及在机器人路径规划中的应用[D]. 王金宝.哈尔滨工程大学 2012
[7]自动导引车路径规划和跟踪控制研究[D]. 向学辅.西南交通大学 2008
本文编号：2928510
【文章来源】：内蒙古科技大学内蒙古自治区
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
强化学习决策路劲规划方案
图 1.1 强化学习决策路劲规划方案（注：S 为当前状态；S’为未来时状态；ai 为产生状态的动作；r 为纠偏值；γ为学习率）（四）机器人路径规划整体方案图像通过视觉传感器采集到 GPU，进行图像复原，图像清晰的标准即能够使得深度学习网络进行障碍识别，将清晰图像由深度学习图像识别单元进行处理，识别输出值概率大于 0.7 时判断其为障碍物，这时卷积神经网络会进行标记，建立障碍物数学模型，将障碍物的坐标在建好的坐标系中标出，最终由强化学习决策网络，根据识别并构建的地图信息来进行路径规划，并通过优化算法碰撞罚函数选出最优线路，从而达到机器人的路径规划。本论文机器人路径规划研究的整体方案如下图 1.2 所示。
已知类条件概率密度参数表达式和先验概率，利用贝叶斯公式转换据后验概率大小进行决策分类。原图像被模糊后，视觉传感器采集原的概率。观察到的图像部分和原有图像有多大的概率是相似的，后，图像处理系统就可以复原该张图片。式 2.1 所表达的就是上述达的意思是上一次的复原和这一次的复原之间的联系。下一次的图复原图像函数和退化部分的图像与复原部分（上一次图像复原的退像复原的能力）的乘积。像的退化及复原复原即利用退化过程中的经验去恢复图像，将退化的图像恢复成原先建立退化的数学模型，根据模型对退化图像进行拟合[28]。图像退化的原因很多，因此不可能得到与其系统完全一致的数学模中，本文采用线性空间系统和加入噪声系统来近似地模拟图像的复线性模型如图 2.1 所示。
【参考文献】：
期刊论文
[1]基于深度学习的人脸大数据系统应用[J]. 张旭,谢鉴. 电子技术与软件工程. 2019(03)
[2]基于深度学习的行人重识别研究进展[J]. 罗浩,姜伟,范星,张思朋. 自动化学报. 2019(11)
[3]基于BP神经网络和证据理论的超声检测缺陷识别[J]. 王力,周志杰,赵福均. 电光与控制. 2018(01)
[4]Path planning of a free-floating space robot based on the degree of controllability[J]. HUANG XingHong,JIA YingHong,XU ShiJie. Science China(Technological Sciences). 2017(02)
[5]机器人视觉方面传感器官技术的应用[J]. 郭福洲. 数字技术与应用. 2016(10)
[6]视觉传感系统的自主移动机器人路径规划方法[J]. 赵婧,曹江涛. 传感器与微系统. 2016(08)
[7]机器人视觉中的障碍物优化识别方法研究[J]. 李丽丽. 计算机仿真. 2016(06)
[8]传感器技术在机器人视觉方面的应用[J]. 芦关山,齐晶薇,于淼. 电子制作. 2015(05)
[9]基于人工神经网络的移动机器人路径规划研究[J]. 陈鸿旭. 电子技术与软件工程. 2014(10)
[10]图像恢复盲解卷积之文献综述[J]. 张蕾,常丽媛,樊冬梅. 科技资讯. 2012(21)
博士论文
[1]室外移动机器人的道路场景识别及路径规划研究[D]. 吴宗胜.西安理工大学 2017
[2]基于盲解卷积的图像盲复原技术研究[D]. 周箩鱼.中国科学院研究生院（长春光学精密机械与物理研究所） 2013
硕士论文
[1]基于神经网络的移动机器人路径规划方法研究[D]. 宫孟孟.哈尔滨工业大学 2017
[2]室内移动机器人路径规划与定位研究[D]. 陈鸿旭.重庆邮电大学 2016
[3]自主移动机器人的路径规划算法研究[D]. 潘琪.湖南大学 2016
[4]动态环境下自主移动机器人路径规划研究[D]. 杨硕.广东工业大学 2014
[5]轮式移动机器人路径规划与跟踪控制[D]. 刘青.南京理工大学 2014
[6]人工智能理论研究及在机器人路径规划中的应用[D]. 王金宝.哈尔滨工程大学 2012
[7]自动导引车路径规划和跟踪控制研究[D]. 向学辅.西南交通大学 2008
本文编号：2928510
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2928510.html
