近年來,隨著電動車輛及無線充電技術(shù)的快速發(fā)展,采用無線充電方式對電動車輛進行電量補給成了未來電動車輛發(fā)展的一個必然趨勢。而無線充電效率較低,尤其是在車載接收裝置與地面發(fā)射裝置之間出現(xiàn)錯位時,是制約電動車輛無線充電產(chǎn)業(yè)發(fā)展的一個重要因素。主要體現(xiàn)在車輛對位存在盲區(qū),駕駛員無法觀察置于車輛底盤的無線充電接收裝置和地面發(fā)射裝置是否對位準確等信息;停車場環(huán)境復(fù)雜,傳統(tǒng)機器視覺圖像特征檢測的算法對車位特征點的實時檢測存在魯棒性較差、檢測速度較慢、對環(huán)境要求較高,以及檢測結(jié)果類別模糊等不足。針對上述問題,本文借鑒了基于機器學習/深度學習方法在分類、識別、目標檢測等領(lǐng)域應(yīng)用的成功經(jīng)驗,提出了基于深度學習的方法對車位特征檢測與車輛位姿估計,為實現(xiàn)無線充電車輛精準對位提供重要的技術(shù)借鑒。主要研究內(nèi)容和取得的研究成果包括以下幾個方面:1、研究了多種極端場景下,基于深度學習的無線充電車位特征角點檢測算法。采集車位圖像數(shù)據(jù)并標注數(shù)據(jù)樣本,基于YOLOv3-tiny設(shè)計卷積神經(jīng)網(wǎng)絡(luò)對車位特征進行訓練和測試,提取出車位各特征角點的類別信息和位置信息。通過實驗證明了檢測特征點類別和圖像坐標信息的正確性。2、針對實際... 

【文章來源】：深圳大學廣東省

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

電動車輛無線充電示意圖

基于深度學習的無線充電車位特征檢測與車輛位姿估計研究2載組成。它們之間的互感系數(shù)(MutualInductance，MI)是一個至關(guān)重要的參數(shù)，對于估計傳輸性能或設(shè)計和優(yōu)化WPT系統(tǒng)至關(guān)重要。圖1.1電動車輛無線充電示意圖電動車輛無線充電多采用電磁耦合技術(shù)，該技術(shù)在理想狀態(tài)下要求地面的原邊發(fā)射線圈與固定于車輛的副邊接收線圈同軸且平行。但是，在實際應(yīng)用場景中多易出現(xiàn)無線發(fā)射裝置與接收裝置存在徑向錯位或角度偏轉(zhuǎn)的現(xiàn)象，造成無線傳輸功率不同程度的下降[10]。(a)同軸對齊(b)橫向錯位(c)旋轉(zhuǎn)錯位(d)橫向和旋轉(zhuǎn)錯位圖1.2矩形線圈空間相對位置示意圖圖1.2描述了無線充電車輛中矩形發(fā)射線圈與接收線圈在自然狀態(tài)下可能存在的四種代表性的狀態(tài)[11,12]，分別是(a)的理想狀態(tài)下的同軸且對齊、(b)的發(fā)生橫向的錯位、(c)的發(fā)生旋轉(zhuǎn)和(d)的發(fā)生橫向和旋轉(zhuǎn)均存在的錯位現(xiàn)象。發(fā)射線圈與接收線圈間的錯位將直接影響到無線充電中的互感系數(shù)，影響程度和受影響因素如式1.1所示。0(cossin)sin_2"""44""112sinh()sin()(,,)(,,0)22kzjkxtytgleturnijiiMekkhrrdtdk+====(1.1)41(,,)iir==(1.2)

基于深度學習的無線充電車位特征檢測與車輛位姿估計研究10對模板內(nèi)像素做針對性的操作，包括平均池化就是對模板內(nèi)的像素做平均值處理。如圖2.1所示為22最大池化操作示意圖，輸入443特征圖經(jīng)過22最大池化濾波器處理，輸出該大小濾波器內(nèi)的最大值，以固定步長進行滑動處理，生成新的特征圖。圖2.1最大池化運算示意圖2.1.3激活函數(shù)在深度神經(jīng)網(wǎng)絡(luò)中，從輸入層到輸出層的數(shù)據(jù)流動過程就是將一種形態(tài)轉(zhuǎn)變成另外一種形態(tài)的過程，從一個維度轉(zhuǎn)化向另一個維度的變換過程，完成這種數(shù)據(jù)變換的一個重要工具就是激活函數(shù)[38](ActivationFunctions)。激活函數(shù)的主要作用就是打破之前數(shù)據(jù)的線性關(guān)系，針對復(fù)雜的事物和數(shù)據(jù)，多層網(wǎng)絡(luò)能夠有更強大的表達能力。常用的激活函數(shù)有Sigmoid、Relu和Leaky_relu函數(shù)。(1)Sigmoid激活函數(shù)數(shù)學式為：11xye=+(2.5)其形狀如圖2.2所示：


本文編號：3321156