本文關(guān)鍵詞：室外移動(dòng)機(jī)器人的道路場景識別及路徑規(guī)劃研究

  更多相關(guān)文章： 移動(dòng)機(jī)器人 無人駕駛汽車 場景識別 道路消失點(diǎn) 場景理解 語義分割 信息融合 路徑規(guī)劃

【摘要】：隨著移動(dòng)機(jī)器人的廣泛應(yīng)用,其種類與應(yīng)用環(huán)境在不斷增加,正逐步從室內(nèi)環(huán)境向室外環(huán)境擴(kuò)展。對于在室外工作的自主移動(dòng)機(jī)器人,包括無人駕駛汽車,能夠具有良好的環(huán)境感知和場景理解能力是其實(shí)現(xiàn)自主導(dǎo)航并完成其行動(dòng)任務(wù)的前提條件,面向復(fù)雜環(huán)境的道路場景識別已成為室外移動(dòng)機(jī)器人領(lǐng)域的研究熱點(diǎn)之一。對于無人駕駛汽車來說,其最大的挑戰(zhàn)來自于對環(huán)境的感知,而環(huán)境感知是無人駕駛技術(shù)的最基礎(chǔ)部分。由于室外道路環(huán)境復(fù)雜多變,以及自主移動(dòng)機(jī)器人通過視覺獲取環(huán)境信息的不穩(wěn)定性,機(jī)器人識別環(huán)境中的道路及物體較為困難,特別是在光照變化環(huán)境、行人環(huán)境、擁堵環(huán)境、沒有明顯的車道線和標(biāo)志線的郊區(qū)與園區(qū)道路環(huán)境、以及沒有較好路面和明顯道路邊緣的鄉(xiāng)村道路環(huán)境下。如何在復(fù)雜環(huán)境下實(shí)時(shí)、魯棒地識別道路及理解道路場景中的內(nèi)容是現(xiàn)階段極具挑戰(zhàn)性的研究課題。室外道路按結(jié)構(gòu)可分為結(jié)構(gòu)化道路(高速公路、城市道路)、準(zhǔn)結(jié)構(gòu)化道路(郊區(qū)道路、園區(qū)道路)和非結(jié)構(gòu)化道路(鄉(xiāng)村道路、越野環(huán)境)。無人駕駛汽車能否在各種結(jié)構(gòu)的道路環(huán)境下準(zhǔn)確感知車輛周圍的環(huán)境信息,關(guān)乎著其行駛的安全以及行人和其他車輛的安全。由于環(huán)境的多樣性和復(fù)雜性,目前感知技術(shù)的發(fā)展還沒有達(dá)到足夠安全的水平,仍有許多工作要做。本文首先針對各種結(jié)構(gòu)的道路環(huán)境下環(huán)境感知問題,研究一般道路的消失點(diǎn)檢測與道路區(qū)域檢測方法,提出了快速的直線空間投票方法進(jìn)行消失點(diǎn)檢測和道路檢測,該方法檢測速度快、精度高、適應(yīng)性好,可實(shí)時(shí)地為無人駕駛汽車提供正確的行駛方向和可行駛的道路區(qū)域。其次,針對城市道路和高速道路的結(jié)構(gòu)化環(huán)境,研究基于深度學(xué)習(xí)的道路場景理解方法,提出基于深層卷積神經(jīng)網(wǎng)絡(luò)的道路場景分割網(wǎng)絡(luò),可有效識別可行駛道路區(qū)域與道路上的行人、車輛、以及其他類別的目標(biāo),給無人駕駛汽車提供多樣性的道路場景信息,使其具有更強(qiáng)的環(huán)境識別能力。然后,針對多傳感器信息處理問題,研究道路場景理解的多信息融合方法,提出基于信任函數(shù)理論的多信息融合框架,對多個(gè)傳感器的感知結(jié)果進(jìn)行融合,提高了道路場景識別的準(zhǔn)確性和可靠性。最后,根據(jù)感知系統(tǒng)檢測到的可行駛道路區(qū)域和目標(biāo)點(diǎn),研究移動(dòng)機(jī)器人在動(dòng)態(tài)環(huán)境下的局部路徑規(guī)劃方法,對教與學(xué)優(yōu)化算法進(jìn)行改進(jìn)并將其成功應(yīng)用于移動(dòng)機(jī)器人的路徑規(guī)劃問題,為移動(dòng)機(jī)器人路徑規(guī)劃提供了一個(gè)新的理論方法和實(shí)踐依據(jù)。本文主要研究內(nèi)容如下:1.道路消失點(diǎn)的快速檢測和基于消失點(diǎn)的道路檢測方法研究。分析各種非結(jié)構(gòu)化和準(zhǔn)結(jié)構(gòu)化道路環(huán)境下的道路識別方法,從道路圖像的紋理、顏色特征等方面入手,提出基于紋理方向的直線空間投票方法來估計(jì)道路的消失點(diǎn);基于檢測到的消失點(diǎn),使用區(qū)間投票的比值和區(qū)間的顏色差異來檢測道路的兩條主邊界線,從而得到道路區(qū)域。2.基于深度學(xué)習(xí)的道路場景理解研究。針對城市道路和高速道路的結(jié)構(gòu)化環(huán)境,在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,提出一個(gè)由16層卷積編碼網(wǎng)絡(luò)和16層反卷積解碼網(wǎng)絡(luò)組成深層道路場景分割網(wǎng)絡(luò)。通過增加網(wǎng)絡(luò)層數(shù)、改變激活層的非線性映射函數(shù)和上采樣方法,并采用轉(zhuǎn)移學(xué)習(xí)的調(diào)優(yōu)策略,構(gòu)建一個(gè)可以提高訓(xùn)練速度和分類精度的道路圖像分割網(wǎng)絡(luò),以對道路場景圖像進(jìn)行有效的語義分割,在圖像像素級別上對場景內(nèi)容進(jìn)行精確分類識別。3.道路場景理解的多信息融合研究。通過分析多傳感器獲取的信息間的相關(guān)性,研究道路場景理解的多信息融合的方法,基于信任函數(shù)理論實(shí)現(xiàn)對多種檢測模塊輸出的組合與建模,構(gòu)建道路場景理解的多信息融合框架。使用多個(gè)檢測模塊對傳感器獲取的數(shù)據(jù)進(jìn)行處理,并在同一空間中將各模塊的檢測結(jié)果進(jìn)行融合,以提高道路場景理解的準(zhǔn)確性和可靠性。4.教與學(xué)優(yōu)化算法的研究與改進(jìn)。通過研究教與學(xué)優(yōu)化算法(一種新的群體智能優(yōu)化算法),提出一個(gè)改進(jìn)的非線性慣性權(quán)重教與學(xué)優(yōu)化算法來解決連續(xù)空間中全局優(yōu)化問題,并在多個(gè)基準(zhǔn)測試函數(shù)上與其他經(jīng)典的優(yōu)化算法進(jìn)行對比實(shí)驗(yàn)。5.基于非線性慣性權(quán)重教與學(xué)優(yōu)化算法的移動(dòng)機(jī)器人局部路徑規(guī)劃研究。結(jié)合改進(jìn)的教與學(xué)優(yōu)化算法,研究自主機(jī)器人在動(dòng)態(tài)環(huán)境下的局部路徑規(guī)劃方法。通過對環(huán)境地圖進(jìn)行建模,將改進(jìn)的教與學(xué)優(yōu)化算法應(yīng)用于移動(dòng)機(jī)器人的局部路徑規(guī)劃,在該環(huán)境地圖上找出優(yōu)化的可行路徑。
【學(xué)位授予單位】：西安理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2017
【分類號】：TP391.41;TP242
，

本文編號：1294135