基于深度学习的移动机器人避障研究
发布时间：2021-05-06 00:44
近年来,随着人工智能特别是深度学习的发展,通过自学习实现机器人避障已成为一大研究热点。实现自主学习是机器人实现智能化的重要一步,有利于改善机器人的行为策略,提高机器人在未知复杂的环境中的适应性和鲁棒性。卷积神经网络是一种有监督的特征学习方法,可以从大规模数据中学习到相应的特征。将深度卷积神经网络与移动机器人相结合,为机器人赋予移动大脑,实现智能感知、智能决策。鉴于此,本文在深入研究深度学习在控制领域相关应用的基础上,对利用深度学习的方法实现移动机器人避障开展了系统的研究。本文的主要研究工作如下:（1）基于机器人操作系统（ROS）搭建移动机器人平台,实现底盘驱动、远程控制及图像显示等功能。（2）设计基于端到端的机器人避障算法。基于AlexNet基础网络提出对该网络的改进模型,并且基于深度学习框架Caffe,搭建网络训练平台进行模型训练。网络以图像作为输入并直接输出预测的转向指令,包括左转、右转和直行。通过训练曲线、特征可视化及样本测试等对网络训练结果进行分析,同时对模型的泛化能力进行测试,验证模型的有效性。（3）将训练好的神经网络模型移植到移动机器人平台中。通过搭建ROSC
【文章来源】：长春理工大学吉林省
【文章页数】：65 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 深度学习的发展及研究现状
1.2.2 深度学习在机器人领域的研究现状
1.3 论文主要研究内容
1.4 论文结构安排
1.5 本章小结
第2章 基于ROS的移动机器人系统搭建
2.1 ROS概述
2.1.1 ROS起源及发展
2.1.2 ROS特点
2.2 系统硬件设计
2.2.1 系统结构
2.2.2 模块选型
2.2.3 双轮差动机器人运动学模型
2.3 系统软件设计
2.3.1 软件整体设计
2.3.2 底盘驱动控制
2.3.3 远程控制
2.3.4 图像显示
2.4 本章小结
第3章 基于深度学习的避障模型设计与验证
3.1 深度避障模型理论基础
3.1.1 卷积神经网络基本结构
3.1.2 激活函数
3.1.3 SoftMax分类器
3.1.4 深度学习框架Caffe
3.1.5 训练算法
3.2 网络结构设计
3.2.1 AlexNet网络模型
3.2.2 模型优化与改进
3.3 模型实验与分析
3.3.1 避障数据集
3.3.2 实验设置
3.3.3 训练结果分析
3.3.4 样本测试
3.3.5 泛化能力测试
3.4 本章小结
第4章 模型部署测试与分析
4.1 模型部署——ROS_Caffe
4.2 实时测试
4.3 Web端显示
4.4 实际环境测试
4.5 本章小结
第5章 总结与展望
5.1 总结
5.2 展望
参考文献
致谢
【参考文献】：
期刊论文
[1]一种基于深度学习的机械臂抓取方法[J]. 杜学丹,蔡莹皓,鲁涛,王硕,闫哲. 机器人. 2017(06)
[2]基于激光与声纳传感器的机器人避障方法研究[J]. 胡玉龙,王金祥. 山东工业技术. 2017(16)
[3]基于改进激活函数的卷积神经网络研究[J]. 曲之琳,胡晓飞. 计算机技术与发展. 2017(12)
[4]基于开源操作系统ROS的机器人软件开发[J]. 安峰. 单片机与嵌入式系统应用. 2017(05)
[5]基于深度学习的人脸分析研究进展[J]. 严严,陈日伟,王菡子. 厦门大学学报(自然科学版). 2017(01)
[6]卷积神经网络的研究进展综述[J]. 杨斌,钟金英. 南华大学学报(自然科学版). 2016(03)
[7]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[8]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川. 数据采集与处理. 2016(01)
[9]基于ROS的机器人模型构建方法研究[J]. 曹正万,平雪良,陈盛龙,蒋毅. 组合机床与自动化加工技术. 2015(08)
[10]深度学习及其在目标和行为识别中的新进展[J]. 郑胤,陈权崎,章毓晋. 中国图象图形学报. 2014(02)
硕士论文
[1]基于卷积神经网络的深度学习算法与应用研究[D]. 张效荣.西安电子科技大学 2015
[2]机器人穿越行为中基于深度卷积神经网络的门识别方法及应用[D]. 陈伟.广东工业大学 2015
[3]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
本文编号：3170907
【文章来源】：长春理工大学吉林省
【文章页数】：65 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 深度学习的发展及研究现状
1.2.2 深度学习在机器人领域的研究现状
1.3 论文主要研究内容
1.4 论文结构安排
1.5 本章小结
第2章 基于ROS的移动机器人系统搭建
2.1 ROS概述
2.1.1 ROS起源及发展
2.1.2 ROS特点
2.2 系统硬件设计
2.2.1 系统结构
2.2.2 模块选型
2.2.3 双轮差动机器人运动学模型
2.3 系统软件设计
2.3.1 软件整体设计
2.3.2 底盘驱动控制
2.3.3 远程控制
2.3.4 图像显示
2.4 本章小结
第3章 基于深度学习的避障模型设计与验证
3.1 深度避障模型理论基础
3.1.1 卷积神经网络基本结构
3.1.2 激活函数
3.1.3 SoftMax分类器
3.1.4 深度学习框架Caffe
3.1.5 训练算法
3.2 网络结构设计
3.2.1 AlexNet网络模型
3.2.2 模型优化与改进
3.3 模型实验与分析
3.3.1 避障数据集
3.3.2 实验设置
3.3.3 训练结果分析
3.3.4 样本测试
3.3.5 泛化能力测试
3.4 本章小结
第4章 模型部署测试与分析
4.1 模型部署——ROS_Caffe
4.2 实时测试
4.3 Web端显示
4.4 实际环境测试
4.5 本章小结
第5章 总结与展望
5.1 总结
5.2 展望
参考文献
致谢
【参考文献】：
期刊论文
[1]一种基于深度学习的机械臂抓取方法[J]. 杜学丹,蔡莹皓,鲁涛,王硕,闫哲. 机器人. 2017(06)
[2]基于激光与声纳传感器的机器人避障方法研究[J]. 胡玉龙,王金祥. 山东工业技术. 2017(16)
[3]基于改进激活函数的卷积神经网络研究[J]. 曲之琳,胡晓飞. 计算机技术与发展. 2017(12)
[4]基于开源操作系统ROS的机器人软件开发[J]. 安峰. 单片机与嵌入式系统应用. 2017(05)
[5]基于深度学习的人脸分析研究进展[J]. 严严,陈日伟,王菡子. 厦门大学学报(自然科学版). 2017(01)
[6]卷积神经网络的研究进展综述[J]. 杨斌,钟金英. 南华大学学报(自然科学版). 2016(03)
[7]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[8]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川. 数据采集与处理. 2016(01)
[9]基于ROS的机器人模型构建方法研究[J]. 曹正万,平雪良,陈盛龙,蒋毅. 组合机床与自动化加工技术. 2015(08)
[10]深度学习及其在目标和行为识别中的新进展[J]. 郑胤,陈权崎,章毓晋. 中国图象图形学报. 2014(02)
硕士论文
[1]基于卷积神经网络的深度学习算法与应用研究[D]. 张效荣.西安电子科技大学 2015
[2]机器人穿越行为中基于深度卷积神经网络的门识别方法及应用[D]. 陈伟.广东工业大学 2015
[3]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
本文编号：3170907
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3170907.html
