基于深度学习的室内视觉导航技术研究
发布时间：2021-03-22 13:03
当今社会随着人工智能的发展越来越智能化,各种智慧化建筑层出不穷。同时,人们对服务于建筑室内的智能型服务机器人的需求也不断提升。目前大多数室内机器人的导航工作都是根据特定工作环境设计的,而且导航过程中几乎没有人机交互性。本文以完成室内配送、助理等服务性工作的智能机器人为研究对象,针对目前室内移动机器人在导航过程中对工作环境的依赖性问题以及导航过程中的智慧化问题,提出了一种更具泛化性和智能性的室内导航策略。首先针对目前室内机器人导航对室内环境特殊标识的依赖性问题,本文将深度学习技术与地图构建技术相结合,提出一种改进的BiSeNet语义分割神经网络模型,结合全局地图的语义分割结果构建地图模型。实验证明,改进的语义分割模型通过对室内场景的学习,不仅可以用于识别分割多种室内场景,还可以对各种目标物体达到一个较好的分割效果,分割精度达到了92.2%,有利于地图建模,让机器人导航不再只依赖于地图环境标识。然后针对机器人导航任务的智能性问题,本文在得到了室内全局语义图像的基础上,首先提出了一种基于窗口操作的栅格语义地图构建方法,将语义信息整合到了栅格地图中,然后在导航算法中加入语义对应关系,通过语义信...
【文章来源】：燕山大学河北省
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
FCN结构示意图
燕山大学工学硕士学位论文-16-可以使最终的分割结果在空间精度上有所提高。经过改进后的FCN精度虽然有所提高，但是网络模型对图像的处理速度太慢，而且对小尺度的目标物体仍然达不到较好的分割效果。b)基于优化卷积结构的语义分割方法在传统的CNN模型中，卷积加池化操作可以使得到的特征图感受野变大，并且将图像中背景信息进行汇合，但是也会降低特征图的分辨率，可能会损失掉部分像素的空间位置信息。基于优化卷积结构的分割方法就是针对这些问题，使用经过优化的卷积操作来代替传统卷积，改善网络模型，提高性能。带孔卷积是经常被使用的一种卷积优化方式之一[46]，带孔卷积结构示意图如图2-5所示，它在传统的卷积操作中引入一个采样率，使传统的卷积核不在是连续性的，而是形成带有空洞、间隔的卷积核。带孔卷积可以使特征图的感受野快速增大，并且分辨率不会下降、卷积操作计算量也不会增加。带孔卷积的主要优点是不但能提取到图像的多尺度局部特征信息，还能保留大多数像素的空间位置信息。图2-5带孔卷积示意图，三个卷积核采样率分别是1,2,4基于优化卷积结构的分割方法一般用于增大感受野，同时保证特征图的分辨率不会下降过多，并且保留像素的空间位置信息。但是改进后的卷积操作会破坏局部像素特征信息的连续性，对目标物体未知形态的识别能力也较弱。c)基于编码--解码的语义分割方法编码—解码器的模型结构主要是用来优化卷积、池化操作所造成的特征图的分辨率持续降低、一些像素的空间特征不断损失[47]。此法一般使用两边对称的模型构架，对图像的语义信息进行理解、分析。编码—解码器结构的本质就是首先运用深度学习中的卷积、池化操作对图像的各种特征信息进行提取与理解，这个过程被称
第 2 章 基于视觉的室内导航方法 为编码器编码信息。然后利用反卷积和上采样操作对提取的特征信息进行解析，对输入图像的维度大小和各像素的空间位置信息进行还原，这个过程被称为解码器解码信息。
【参考文献】：
期刊论文
[1]国际机器人联合会（IFR）年度报告——《全球机器人2019》首次在中国发布[J]. 智能机器人. 2019(05)
[2]家用扫地机器人全区域路径规划与避障方法研究[J]. 商迎美,张晓玲. 长春工程学院学报(自然科学版). 2019(03)
[3]图像分割方法综述[J]. 王秋萍,张志祥,朱旭芳. 信息记录材料. 2019(07)
[4]室内场景下实时地三维语义地图构建[J]. 单吉超,李秀智,张祥银,贾松敏. 仪器仪表学报. 2019(05)
[5]基于深度学习的图像语义分割方法综述[J]. 田萱,王亮,丁琪. 软件学报. 2019(02)
[6]启发式方法在机器人路径规划优化中的应用综述[J]. 盛亮,包磊,吴鹏飞. 电光与控制. 2018(09)
[7]基于图像匹配的移动机器人导航研究[J]. 朱奇光,王梓巍,陈颖. 计量学报. 2017(05)
[8]关于机器人技术在机械加工中的应用[J]. 张演. 科学家. 2017(14)
[9]基于计算机视觉的室内自主移动机器人导航综述[J]. 杨春媚,王峰,晋博,汪进,梅琪,邱文添. 电脑知识与技术. 2017(15)
[10]机器人产业迎黄金十年[J]. 罗晓庆. 中国西部. 2014(34)
博士论文
[1]移动机器人的同时定位和地图构建[D]. 徐则中.浙江大学 2004
硕士论文
[1]基于视觉SLAM的机器人室内建图与导航算法研究[D]. 冯经伦.山东大学 2018
[2]移动机器人导航关键技术的研究与实现[D]. 李林军.电子科技大学 2017
本文编号：3094055
【文章来源】：燕山大学河北省
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
FCN结构示意图
燕山大学工学硕士学位论文-16-可以使最终的分割结果在空间精度上有所提高。经过改进后的FCN精度虽然有所提高，但是网络模型对图像的处理速度太慢，而且对小尺度的目标物体仍然达不到较好的分割效果。b)基于优化卷积结构的语义分割方法在传统的CNN模型中，卷积加池化操作可以使得到的特征图感受野变大，并且将图像中背景信息进行汇合，但是也会降低特征图的分辨率，可能会损失掉部分像素的空间位置信息。基于优化卷积结构的分割方法就是针对这些问题，使用经过优化的卷积操作来代替传统卷积，改善网络模型，提高性能。带孔卷积是经常被使用的一种卷积优化方式之一[46]，带孔卷积结构示意图如图2-5所示，它在传统的卷积操作中引入一个采样率，使传统的卷积核不在是连续性的，而是形成带有空洞、间隔的卷积核。带孔卷积可以使特征图的感受野快速增大，并且分辨率不会下降、卷积操作计算量也不会增加。带孔卷积的主要优点是不但能提取到图像的多尺度局部特征信息，还能保留大多数像素的空间位置信息。图2-5带孔卷积示意图，三个卷积核采样率分别是1,2,4基于优化卷积结构的分割方法一般用于增大感受野，同时保证特征图的分辨率不会下降过多，并且保留像素的空间位置信息。但是改进后的卷积操作会破坏局部像素特征信息的连续性，对目标物体未知形态的识别能力也较弱。c)基于编码--解码的语义分割方法编码—解码器的模型结构主要是用来优化卷积、池化操作所造成的特征图的分辨率持续降低、一些像素的空间特征不断损失[47]。此法一般使用两边对称的模型构架，对图像的语义信息进行理解、分析。编码—解码器结构的本质就是首先运用深度学习中的卷积、池化操作对图像的各种特征信息进行提取与理解，这个过程被称
第 2 章 基于视觉的室内导航方法 为编码器编码信息。然后利用反卷积和上采样操作对提取的特征信息进行解析，对输入图像的维度大小和各像素的空间位置信息进行还原，这个过程被称为解码器解码信息。
【参考文献】：
期刊论文
[1]国际机器人联合会（IFR）年度报告——《全球机器人2019》首次在中国发布[J]. 智能机器人. 2019(05)
[2]家用扫地机器人全区域路径规划与避障方法研究[J]. 商迎美,张晓玲. 长春工程学院学报(自然科学版). 2019(03)
[3]图像分割方法综述[J]. 王秋萍,张志祥,朱旭芳. 信息记录材料. 2019(07)
[4]室内场景下实时地三维语义地图构建[J]. 单吉超,李秀智,张祥银,贾松敏. 仪器仪表学报. 2019(05)
[5]基于深度学习的图像语义分割方法综述[J]. 田萱,王亮,丁琪. 软件学报. 2019(02)
[6]启发式方法在机器人路径规划优化中的应用综述[J]. 盛亮,包磊,吴鹏飞. 电光与控制. 2018(09)
[7]基于图像匹配的移动机器人导航研究[J]. 朱奇光,王梓巍,陈颖. 计量学报. 2017(05)
[8]关于机器人技术在机械加工中的应用[J]. 张演. 科学家. 2017(14)
[9]基于计算机视觉的室内自主移动机器人导航综述[J]. 杨春媚,王峰,晋博,汪进,梅琪,邱文添. 电脑知识与技术. 2017(15)
[10]机器人产业迎黄金十年[J]. 罗晓庆. 中国西部. 2014(34)
博士论文
[1]移动机器人的同时定位和地图构建[D]. 徐则中.浙江大学 2004
硕士论文
[1]基于视觉SLAM的机器人室内建图与导航算法研究[D]. 冯经伦.山东大学 2018
[2]移动机器人导航关键技术的研究与实现[D]. 李林军.电子科技大学 2017
本文编号：3094055
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3094055.html
