基于视觉的移动机器人环境感知
发布时间：2021-01-02 19:58
随着计算机软硬件性能的显著提升以及人工智能各领域科技的迅速发展,移动机器人、无人车等产品逐渐出现在人们的视野中。移动机器人的环境感知就是指移动机器人通过雷达、摄像头等配备的传感器获取周围环境信息,并完成分析和理解,是决策与控制的前提和基础。基于视觉传感器的环境感知技术因其硬件价格低、获取信息量大等优势成为研究的热点。近些年来,计算机视觉领域借助深度学习技术得以迅速发展,在图像分类、目标检测、语义分割等子问题上不断出现有价值的研究成果,基于视觉的环境感知技术由此不断出现新的解决方案。本文对基于深度学习的视觉环境感知技术的实际应用问题展开研究,构造了一个目标检测与道路分割算法的联合架构,能够同时进行感兴趣目标的检测和可行驶道路的分割,以此指导移动机器人的目标追踪、避障等运动,并搭建了移动机器人环境感知系统硬件平台进行了室内外不同环境下的实验。论文主要工作如下:1、在检测算法方面,本文对目前两种主流的目标检测算法即基于候选框的算法与直接回归的算法展开研究,对其原理进行对比分析,最终使用了一种结合ROI与YOLO思想的目标检测算法,在保持运算实时性的同时,有效提高算法的准确度;在语义分割方面,...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
图１－１各类智能移动机器人??
山东大学硕士学位论文??连接和权值共享的设计，卷积神经网络的参数数量得以显著减少，降低了对??计算资源的需求。??２．１．２池化层??池化层一般位于卷积层之后，主要用来进一步降低图像数据的维度。池??化层通过提取图像中代表性特征，能够在保持平移、旋转不变性的同时，有??效降低数据维度，同时增强了模型的鲁棒性，对过拟合现象的发生有显著的??抑制作用。??池化操作如图２－１所示，指的是找出某区域内的最大值或计算该区域的??平均值作为该区域的特征。常用的池化方式包括最大池化和平均池化，其中??最大池化是取目标区域中的最大值作为池化的结果，平均池化是计算目标区??域中的平均值作为池化的结果。??８?９??４?８?９?８?５?８??５７７６??Ｍａｘｉｍｕｍ?Ｐｏｏｌｉｎｇ??１２７８??３５５５?６７５??２．７５?６．２５??Ａｖｅｒａｇｅ?Ｐｏｏｌｉｎｇ??图２－１常见池化方法??２．１．３全连接层??全连接层的本质是矩阵的相乘，一般位于卷积网络结构中的最后位置。??全连接顾名思义是指该层的每个神经元都与相邻层的每个神经元相连，经过??矩阵计算之后，将输出送入分类器，从而计算图像类别概率等。??２．１．４激活函数??由于神经网络的本质是矩阵的相乘，因此对于非线性特征的拟合能力较??弱，非线性激活函数的加入可以有效提升网络的非线性刻画能力。常用激活??函数如下：??１０??
?山东大学硕士学位论文????（１）?Ｓｉｇｍｏｉｄ??Ｓｉｇｍｏｉｄ函数的表达式见式（２－２），函数图像如图２－２。??（）１?＋?ｅ＇ｒ?（２－２）??。??０?８?／??ａ６?／??０．４?？?／??０．０?■???－４－２?０?ｒ?４??图?２－２?ｓｉｇｍｏｉｄ?函数??Ｓｉｇｍｏｉｄ函数的值域为（０，１），这样的优点在于无论输入的大小输出总是??有限的，同时函数光滑可微，导数计算方便。但Ｓｉｇｍｏｉｄ函数也存在以下缺??点：当输入较大或较小时，函数的梯度几乎为零，在梯度反向传播时容易发??生梯度消失的现象；输出不以０为中心，且输出始终为正；涉及指数的计算，??运算量大，计算耗时。??（２）?Ｔａｎｈ??Ｔａｎｈ函数的表达式见式（２－３），函数图像如图２－３。??ｔａｎｈ（．ｒ）?＝?＾ｌ??＋ｅ?＂?（２－３）??１??，?，?，?，?，?，?｜?，??〇８?？?．?ｒ??＼?／?：??：??：Ｌ７．：?；．．?Ｉ??－－?－？?〇?－１?〇?１?：?；??图２－３?Ｔａｎｈ函数??相对Ｓｉｇｍｏｉｄ函数，Ｔａｎｈ函数的优点在于输出值正负对称以及在零点左??右梯度较大，有利于区别小的特征差异，但同样存在容易产生梯度消失以及??运算量大的问题。??１１??
【参考文献】：
期刊论文
[1]基于边缘检测和区域生长的自然彩色图像分割[J]. 翁秀梅,肖志涛,杨洪薇. 天津工业大学学报. 2008(01)
[2]基于颜色信息与区域生长的图像分割新算法[J]. 赵钦佩,姚莉秀,程建,何虎翼,杨杰. 上海交通大学学报. 2007(05)
[3]移动机器人环境认知理论与技术的研究[J]. 蔡自兴,邹小兵. 机器人. 2004(01)
[4]自主轮式移动机器人CASIA-I的整体设计[J]. 李磊,陈细军,候增广,谭民. 高技术通讯. 2003(11)
[5]多功能室外智能移动机器人实验平台—THMR-V[J]. 张朋飞,何克忠,欧阳正柱,张军宇. 机器人. 2002(02)
硕士论文
[1]基于卷积神经网络的车牌识别关键技术的研究与应用[D]. 高攀.北京邮电大学 2019
[2]基于多任务学习的肿瘤医学影像语义分割与分类研究[D]. 邹致超.哈尔滨工业大学 2019
[3]基于RGB和深度信息的语义分割[D]. 王超男.天津理工大学 2017
[4]基于阈值的图像分割研究[D]. 付云凤.重庆大学 2013
本文编号：2953540
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
图１－１各类智能移动机器人??
山东大学硕士学位论文??连接和权值共享的设计，卷积神经网络的参数数量得以显著减少，降低了对??计算资源的需求。??２．１．２池化层??池化层一般位于卷积层之后，主要用来进一步降低图像数据的维度。池??化层通过提取图像中代表性特征，能够在保持平移、旋转不变性的同时，有??效降低数据维度，同时增强了模型的鲁棒性，对过拟合现象的发生有显著的??抑制作用。??池化操作如图２－１所示，指的是找出某区域内的最大值或计算该区域的??平均值作为该区域的特征。常用的池化方式包括最大池化和平均池化，其中??最大池化是取目标区域中的最大值作为池化的结果，平均池化是计算目标区??域中的平均值作为池化的结果。??８?９??４?８?９?８?５?８??５７７６??Ｍａｘｉｍｕｍ?Ｐｏｏｌｉｎｇ??１２７８??３５５５?６７５??２．７５?６．２５??Ａｖｅｒａｇｅ?Ｐｏｏｌｉｎｇ??图２－１常见池化方法??２．１．３全连接层??全连接层的本质是矩阵的相乘，一般位于卷积网络结构中的最后位置。??全连接顾名思义是指该层的每个神经元都与相邻层的每个神经元相连，经过??矩阵计算之后，将输出送入分类器，从而计算图像类别概率等。??２．１．４激活函数??由于神经网络的本质是矩阵的相乘，因此对于非线性特征的拟合能力较??弱，非线性激活函数的加入可以有效提升网络的非线性刻画能力。常用激活??函数如下：??１０??
?山东大学硕士学位论文????（１）?Ｓｉｇｍｏｉｄ??Ｓｉｇｍｏｉｄ函数的表达式见式（２－２），函数图像如图２－２。??（）１?＋?ｅ＇ｒ?（２－２）??。??０?８?／??ａ６?／??０．４?？?／??０．０?■???－４－２?０?ｒ?４??图?２－２?ｓｉｇｍｏｉｄ?函数??Ｓｉｇｍｏｉｄ函数的值域为（０，１），这样的优点在于无论输入的大小输出总是??有限的，同时函数光滑可微，导数计算方便。但Ｓｉｇｍｏｉｄ函数也存在以下缺??点：当输入较大或较小时，函数的梯度几乎为零，在梯度反向传播时容易发??生梯度消失的现象；输出不以０为中心，且输出始终为正；涉及指数的计算，??运算量大，计算耗时。??（２）?Ｔａｎｈ??Ｔａｎｈ函数的表达式见式（２－３），函数图像如图２－３。??ｔａｎｈ（．ｒ）?＝?＾ｌ??＋ｅ?＂?（２－３）??１??，?，?，?，?，?，?｜?，??〇８?？?．?ｒ??＼?／?：??：??：Ｌ７．：?；．．?Ｉ??－－?－？?〇?－１?〇?１?：?；??图２－３?Ｔａｎｈ函数??相对Ｓｉｇｍｏｉｄ函数，Ｔａｎｈ函数的优点在于输出值正负对称以及在零点左??右梯度较大，有利于区别小的特征差异，但同样存在容易产生梯度消失以及??运算量大的问题。??１１??
【参考文献】：
期刊论文
[1]基于边缘检测和区域生长的自然彩色图像分割[J]. 翁秀梅,肖志涛,杨洪薇. 天津工业大学学报. 2008(01)
[2]基于颜色信息与区域生长的图像分割新算法[J]. 赵钦佩,姚莉秀,程建,何虎翼,杨杰. 上海交通大学学报. 2007(05)
[3]移动机器人环境认知理论与技术的研究[J]. 蔡自兴,邹小兵. 机器人. 2004(01)
[4]自主轮式移动机器人CASIA-I的整体设计[J]. 李磊,陈细军,候增广,谭民. 高技术通讯. 2003(11)
[5]多功能室外智能移动机器人实验平台—THMR-V[J]. 张朋飞,何克忠,欧阳正柱,张军宇. 机器人. 2002(02)
硕士论文
[1]基于卷积神经网络的车牌识别关键技术的研究与应用[D]. 高攀.北京邮电大学 2019
[2]基于多任务学习的肿瘤医学影像语义分割与分类研究[D]. 邹致超.哈尔滨工业大学 2019
[3]基于RGB和深度信息的语义分割[D]. 王超男.天津理工大学 2017
[4]基于阈值的图像分割研究[D]. 付云凤.重庆大学 2013
本文编号：2953540
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2953540.html
