基于道路场景理解的巡检机器人避障方法研究与应用.docx资源-CSDN文库

版权申诉

194 浏览量 2022-12-01 09:06:24 上传评论收藏 413KB DOCX 举报

资源推荐

资源详情

资源评论

1. 引言

近年来，随着人工智能和机器人技术的不断进步，作为机器人中重要组成部分之一的

巡检机器人也得到了长足的发展，被广泛应用于工业、农业、电力、航空航天、医疗等各

个领域

[1]

.对于巡检机器人而言，准确的导航避障是其顺利完成巡检任务的前提

[2]

.目前，大

多数巡检机器人主要利用测距传感器，如超声波

[3]

、激光雷达

[4]

等，结合避障算法来实现机

器人自主避障.尽管距离传感器获取的数据精度较高，但存在获取的信息稀疏、场景可理解

性差等局限，较大的限制该技术的进一步应用

[5]

.而随着图像处理技术的发展，基于视觉的

机器人避障方法研究逐渐成为了研究热点

[6]

.通过视觉方式可以获取丰富的场景信息，可以

更好的辅助机器人完成避障，但传统的基于视觉避障方法需要人工设计特征来对障碍物和

道路进行识别(如 HOG、SIFT、Haar 等)，该方式需要较强的专业知识，且泛化能力和鲁棒

性都较差，在实际应用中效果也不理想

[7]

.因此，研究一种基于深度学习的视觉避障方法，

可以有效避免传统方法的弊端，并能充分利用道路环境信息，对巡检机器人智能化发展以

及实际落地应用都有较大的推进作用.

对于深度学习与巡检机器人结合的避障方法，大量学者从不同角度进行了深入的研

究，并取得了一系列成果.刘藏龙等人

[8]

基于 AlexNet 深度神经网络设计了一套端到端的机

器人避障方法，通过对输入图像训练学习来预测机器人转向命令，实现导航避障.鲜开义等

人

[9]

针对变电站道路场景，设计了一种联合图像分类和语义分割的网络，通过对道路场景

分类和语义分割后处理判断实现全局和局部导航避障.Singhani 等人

[10]

将语义分割网络与传

统边缘检测技术相结合，对机器人道路可行区域进行预测，并对可行区域生成 3D 点云指

导机器人实时导航.Jiayang 等人

[11]

针对医院道路场景，利用利用双向循环神经网络预测行人

轨迹，生成动态障碍物信息，并将动态障碍信息转化为全局信息与静态障碍信息进行融

合，进而实现避障.尽管目前已有较多方法将深度学习技术应用于道路场景理解实现机器人

避障，但由于深度网络的参数多、计算量大等问题使机器人避障效率较低.同时，大多数现

有方法也忽略了机器人导航避障时场景之间的关联性，使网络存在部分冗余计算.

2. 道路场景理解避障模型

2.1 整体框架

本文所搭建的基于道路场景理解的避障模型(RSUNet)整体结构如图 1 所示.

图 1 RSUNet 网络结构图

Figure 1. The structure diagram of RSUNet

下载: 全尺寸图片幻灯片

该模型主要由三部分构成：场景理解主干网络、自适应控制结构以及可行区域分析模

块.场景理解主干网络主要由卷积、池化、激活、上采样等网络操作，以残差结构模式串联

堆叠构建而成，通过端到端的训练学习各目标特征，实现场景理解.自适应控制结构主要通

过对比前后两帧图像特征信息的差异大小，自主选择是否过滤部分网络层的计算，保障网

络计算的实时性(图中灰色和灰白色即为控制模块对应的控制部分).而可行区域分析模块主

要将场景理解后的图像信息转化为巡检机器人的控制指令，从而指导机器人实现自主避障.

2.2 场景理解主干网络

目前，基于深度学习的场景理解网络由于应用场景的不同，各网络结构设计思路可大

致分为高精度和高效率两个方向.高精度网络主要应用于自动驾驶、医疗等领域，需要高性

能计算平台来完成海量数据的计算，如 FCN

[12]

、SegNet

[13]

、APCNet

[14]

、BiSeNet

[15]

等网络.

而高效率网络主要应用于移动端或机器人等嵌入式平台，通过损失部分精度来获取更高效

率，如 ENet

[16]

、ShuffleSeg

[17]

、ShelfNet

[18]

等网络.为了能同时保证网络精度与效率，本文借

鉴高精度网络结构的设计思想搭建了场景理解主干网络，保障其分割精度；同时，利用自

适应控制模块来调节网络的计算，提高网络效率，使最终的网络能准确高效的实现场景理

解.

场景理解主干网络主要由特征提取结构和上采样结构两部分构成，详细结构如表 1 所

示.特征提取结构由 init 模块和多个 stage 模块串联堆叠构成，如图 2(a)(b)所示.init 模块利

用并列的 3×3 卷积操作和 2×2 的最大池化操作来初步提取原图显著特征并过滤部分噪声，

同时设置步长为 2 来降低图像维度，方便后续 stage 模块对特征深入提取.stage 模块是特征

提取结构的核心部分，主要利用卷积、激活操作以残差结构的方式构建，而不同 stage 之

间采用步长为 2 的卷积操作进行连接，如图 2(b)中虚线部分.由于所搭建的网络层数较深，

stage 模块采用残差结构可以较好的缓解网络训练时梯度消失或梯度爆炸等问题.同时，激

活函数采用 LeakyReLU 函数，可以有效避免神经元“坏死”情况，使网络更快收敛.上采样

结构主要以金字塔式的上采样操作恢复图像尺寸，并利用提取的特征信息对图像中各个目

剩余13页未读，继续阅读

评论收藏

内容反馈

版权申诉

罗伯特之技术屋

粉丝: 3651
资源: 1万+

基于道路场景理解的巡检机器人避障方法研究与应用.docx

变电站巡检机器人避障方法研究与应用.pdf

(完整word版)智能避障机器人设计开题报告.docx

智能避障机器人设计开题报告.docx

基于红外传感器的机器人避障控制的研究.docx

基于51单片机的自动避障小车的研究与设计.docx

基于单片机的智能寻迹避障小车设计课程设计.docx

毕业设计开题报告-基于单片机的寻迹避障智能小车设计实现.docx

机器人自动寻迹避障系统设计.docx

多电源供电智能车循迹避障系统的软件实现.docx

基于单片机的自动避障小车设计与实现.docx

机器人避障模块的设计研究.pdf

基于向量场直方图的移动机器人避障方法研究毕业论文.doc

机器人避障策略研究PPT教案.pptx

基于Arduino的智能双传感器避障小车设计 (2).docx

qy_一种基于卡尔曼滤波器预测的机器人避障方法_郭文强.caj

基于三维目标检测的轮式机器人避障导航技术研究.pdf

智能避障小车设计开题报告.docx

相关实用应用程序（Windows可用）

免费可用的ChatGPT网页版.zip

ChatGPT使用总结：150个ChatGPT提示词模板（完整版）

chromedriver-win64.zip

全国计算机二级WPSoffice精选350道选择题题库（含答案）.pdf

农村公交与异构无人机协同配送优化

李飞飞自传 我看见的世界 The World I see

哈尔滨工业大学-ChatGPT调研报告-2023.3.6-94页.pdf

4个亲测好用的ChatGPT4渠道

基于小波与卷积神经网络的多尺度时间序列分类.zip

学术海报模板+论文科研+研究生

北森能力测评题库.zip

最新资源

李飞飞自传我看见的世界 The World I see