面向空中和地面无人平台的仿生节点递推导航方法
发布时间：2021-09-06 03:00
论文以地面和空中无人平台为应用背景,通过借鉴动物感知环境的机理和运动行为决策机制,重点开展基于导航拓扑图的仿生节点递推导航方法研究,旨在解决无卫星导航信号下的自主导航难题。论文的主要研究工作和研究成果总结如下:（1）为提升对拓扑节点区域场景特征识别的准确率,研究了采用卷积神经网络对场景特征进行鲁棒表达的方法。首先,提出了一种在卷积神经网络中使用多尺度池化来构建特征金字塔的方法。其次,基于构建的特征金字塔设计了两种表达场景特征的卷积神经网络结构。第一种结构针对串联的卷积层仅能提取单一尺度特征的问题,提出采用一个卷积层来融合金字塔中的多尺度特征,以提升网络对场景表达的准确性。第二种网络结构为抑制场景中非地标特征的影响,采用了两个卷积层来构建了一个注意力模块。该模块能够结合金字塔中的多尺度特征来评估图像中不同区域的局部特征在场景表达中的权重,从而实现对非地标特征的抑制。最后,实验结果表明采用提出的两种网络结构对场景特征进行表达时,能够有效提升对场景特征识别的准确率。（2）针对现有里程计轨迹–道路网络图匹配定位方法的定位响应时间长、场景识别定位方法鲁棒性差等缺点,提出了一种基于道路网络图和节点...
【文章来源】：国防科技大学湖南省 211工程院校 985工程院校
【文章页数】：152 页
【学位级别】：博士
【部分图文】：
信鸽返巢路线沿途节点区域示意图
[21]，但具体的细胞激活机制则有待进一步研究；在对位置细胞进行连续扫描时还发现，当一个位置细胞被激活时，会引起其它的位置细胞短暂的激活，研究人员认为这与动物的导航行为决策和认知地图修正相关[98,99]。对动物导航行为的研究使人类对动物导航机制的理解进一步加深。在对信鸽的返巢路线进行研究时发现，在同一地点多次释放后的信鸽并不是直接的飞向鸽房，而是会依次经过一些节点区域返巢[25,100]，如图1.1所示。进一步研究发现，这些节点区域所具有的视觉特征显著[26]。例如，树林或村庄的边缘、乡村公路的交叉口等。图1.2中的轨迹是同一信鸽经多次释放后的返巢路线[26]。可以看到飞行轨迹在道路转盘处汇合，这表明信鸽的认识地图中记录了环境中的地标特征，并且在导航阶段能够主动的飞越该地标特征来确定自身位置。在对蚂蚁[29,101]、蜜蜂[102]、蝙蝠[103,104]等动物的导航行为进行研究时，也发现了相似的节点递推导航行为。图1.2信鸽返巢沿途地标特征示意图根据在动物导航细胞和导航行为方面的研究成果，研究人员提出了多种应用于无人平台的节点递推仿生导航模型和算法。Milford等提出的RatSLAM算法[74,75]采用了一个吸引子（CAN）网络来模拟场景特征和路径积分对位置胞的激活过程，并在地面无人平台上成功实现了大范围的导航拓扑图构建和自主定位实验。
间隔，采用移动窗口的方式对输入的三维张量进行卷积。卷积运算可以表示为：,,+1=∑+1+,+++1，其中0≤,<(2.1)式(2.1)中(,)表示三维张量的行列坐标，也被称为空间坐标（spatialcoordinate）；表示三维张量的通道（channel）序号；+1表示第+1个卷积层中的第个卷积核，+1为与该卷积核对应的偏置；表示卷积核的大小；是进行卷积运算时的滑窗间隔。输入数据经卷积运算后，再经神经元激活函数即可得到输出的神经元激活态。在AlexNet中采用的是ReLU激活函数，表达式为：+1=(+1)=max(0,+1)(2.2)图2.2卷积运算示意图由式(2.1)可知，输出数据+1中(,)网格处的神经元激活态是不同的卷积核与输入数据的同一局部区域作卷积运算后得到的，如图2.2所示。输出神经元的激活态仅与输入图像的局部信息相关，这在深度学习中被称为“局部感知”。每一个神经元感知的局部图像区域被称为该神经元的“感受野”（PerceptiveField）。虽然卷积核仅作用于局部图像，但将卷积核按设置的步长进行滑动窗口运算后，就实现了对整幅输入图像的卷积运算。卷积核在对输入图像的不同区域进行卷积运算时，卷积核参数保持不变，这个过程被称之为“参数共享”。卷积层通常也被称之为特征提取层，卷积层的输出也被称为特征图（FeatureMap）。随着卷积层的深入，其提取的特征也逐渐从底层的点、线特征逐步过渡到抽象的语义特征，如图2.1所示。（2）局部归一化层
【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[2]一种基于海马认知机理的仿生机器人认知地图构建方法[J]. 于乃功,苑云鹤,李倜,蒋晓军,罗子维. 自动化学报. 2018(01)
[3]一种改进的RatSLAM仿生导航算法[J]. 张潇,胡小平,张礼廉,马涛,王玉杰. 导航与控制. 2015 (05)
[4]粒子滤波综述[J]. 吕德潮,范江涛,韩刚瓮,马冠一. 天文研究与技术. 2013(04)
[5]基于粒子群算法的地磁匹配航迹规划[J]. 焦巍,刘光斌,张金生,张博. 系统工程理论与实践. 2010(11)
[6]适用航空的地形匹配导航算法研究[J]. 吴康,赵龙. 压电与声光. 2010(05)
[7]无人飞行器航迹规划方法综述[J]. 王维平,刘娟. 飞行力学. 2010(02)
[8]飞行器航迹规划研究现状与趋势[J]. 郑昌文,严平,丁明跃,苏康. 宇航学报. 2007(06)
[9]相关地磁匹配定位技术[J]. 刘飞,周贤高,杨晔,李士心. 中国惯性技术学报. 2007(01)
[10]数字磁罗盘的研制[J]. 熊剑,刘建业,孙永荣,李荣冰. 传感器技术. 2004(08)
博士论文
[1]基于路网的路径规划问题研究[D]. 刘辉平.华东师范大学 2018
[2]基于导航拓扑图的仿生导航方法研究[D]. 范晨.国防科技大学 2018
[3]多目偏振视觉仿生导航方法研究[D]. 王玉杰.国防科技大学 2017
[4]基于位置约束和航向约束的仿生导航方法研究[D]. 马涛.国防科学技术大学 2016
[5]基于拓扑图节点递推的自主导航方法研究[D]. 先治文.国防科学技术大学 2016
[6]水下地磁导航适配性研究[D]. 王鹏.国防科学技术大学 2014
[7]交通约束下的行车最优路径规划[D]. 张照生.清华大学 2013
[8]面向INS/SAR组合导航的SAR景象区域适配性研究[D]. 卜彦龙.国防科学技术大学 2009
本文编号：3386604
【文章来源】：国防科技大学湖南省 211工程院校 985工程院校
【文章页数】：152 页
【学位级别】：博士
【部分图文】：
信鸽返巢路线沿途节点区域示意图
[21]，但具体的细胞激活机制则有待进一步研究；在对位置细胞进行连续扫描时还发现，当一个位置细胞被激活时，会引起其它的位置细胞短暂的激活，研究人员认为这与动物的导航行为决策和认知地图修正相关[98,99]。对动物导航行为的研究使人类对动物导航机制的理解进一步加深。在对信鸽的返巢路线进行研究时发现，在同一地点多次释放后的信鸽并不是直接的飞向鸽房，而是会依次经过一些节点区域返巢[25,100]，如图1.1所示。进一步研究发现，这些节点区域所具有的视觉特征显著[26]。例如，树林或村庄的边缘、乡村公路的交叉口等。图1.2中的轨迹是同一信鸽经多次释放后的返巢路线[26]。可以看到飞行轨迹在道路转盘处汇合，这表明信鸽的认识地图中记录了环境中的地标特征，并且在导航阶段能够主动的飞越该地标特征来确定自身位置。在对蚂蚁[29,101]、蜜蜂[102]、蝙蝠[103,104]等动物的导航行为进行研究时，也发现了相似的节点递推导航行为。图1.2信鸽返巢沿途地标特征示意图根据在动物导航细胞和导航行为方面的研究成果，研究人员提出了多种应用于无人平台的节点递推仿生导航模型和算法。Milford等提出的RatSLAM算法[74,75]采用了一个吸引子（CAN）网络来模拟场景特征和路径积分对位置胞的激活过程，并在地面无人平台上成功实现了大范围的导航拓扑图构建和自主定位实验。
间隔，采用移动窗口的方式对输入的三维张量进行卷积。卷积运算可以表示为：,,+1=∑+1+,+++1，其中0≤,<(2.1)式(2.1)中(,)表示三维张量的行列坐标，也被称为空间坐标（spatialcoordinate）；表示三维张量的通道（channel）序号；+1表示第+1个卷积层中的第个卷积核，+1为与该卷积核对应的偏置；表示卷积核的大小；是进行卷积运算时的滑窗间隔。输入数据经卷积运算后，再经神经元激活函数即可得到输出的神经元激活态。在AlexNet中采用的是ReLU激活函数，表达式为：+1=(+1)=max(0,+1)(2.2)图2.2卷积运算示意图由式(2.1)可知，输出数据+1中(,)网格处的神经元激活态是不同的卷积核与输入数据的同一局部区域作卷积运算后得到的，如图2.2所示。输出神经元的激活态仅与输入图像的局部信息相关，这在深度学习中被称为“局部感知”。每一个神经元感知的局部图像区域被称为该神经元的“感受野”（PerceptiveField）。虽然卷积核仅作用于局部图像，但将卷积核按设置的步长进行滑动窗口运算后，就实现了对整幅输入图像的卷积运算。卷积核在对输入图像的不同区域进行卷积运算时，卷积核参数保持不变，这个过程被称之为“参数共享”。卷积层通常也被称之为特征提取层，卷积层的输出也被称为特征图（FeatureMap）。随着卷积层的深入，其提取的特征也逐渐从底层的点、线特征逐步过渡到抽象的语义特征，如图2.1所示。（2）局部归一化层
【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[2]一种基于海马认知机理的仿生机器人认知地图构建方法[J]. 于乃功,苑云鹤,李倜,蒋晓军,罗子维. 自动化学报. 2018(01)
[3]一种改进的RatSLAM仿生导航算法[J]. 张潇,胡小平,张礼廉,马涛,王玉杰. 导航与控制. 2015 (05)
[4]粒子滤波综述[J]. 吕德潮,范江涛,韩刚瓮,马冠一. 天文研究与技术. 2013(04)
[5]基于粒子群算法的地磁匹配航迹规划[J]. 焦巍,刘光斌,张金生,张博. 系统工程理论与实践. 2010(11)
[6]适用航空的地形匹配导航算法研究[J]. 吴康,赵龙. 压电与声光. 2010(05)
[7]无人飞行器航迹规划方法综述[J]. 王维平,刘娟. 飞行力学. 2010(02)
[8]飞行器航迹规划研究现状与趋势[J]. 郑昌文,严平,丁明跃,苏康. 宇航学报. 2007(06)
[9]相关地磁匹配定位技术[J]. 刘飞,周贤高,杨晔,李士心. 中国惯性技术学报. 2007(01)
[10]数字磁罗盘的研制[J]. 熊剑,刘建业,孙永荣,李荣冰. 传感器技术. 2004(08)
博士论文
[1]基于路网的路径规划问题研究[D]. 刘辉平.华东师范大学 2018
[2]基于导航拓扑图的仿生导航方法研究[D]. 范晨.国防科技大学 2018
[3]多目偏振视觉仿生导航方法研究[D]. 王玉杰.国防科技大学 2017
[4]基于位置约束和航向约束的仿生导航方法研究[D]. 马涛.国防科学技术大学 2016
[5]基于拓扑图节点递推的自主导航方法研究[D]. 先治文.国防科学技术大学 2016
[6]水下地磁导航适配性研究[D]. 王鹏.国防科学技术大学 2014
[7]交通约束下的行车最优路径规划[D]. 张照生.清华大学 2013
[8]面向INS/SAR组合导航的SAR景象区域适配性研究[D]. 卜彦龙.国防科学技术大学 2009
本文编号：3386604
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3386604.html
