论文部分内容阅读
野外环境下移动机器人地形分类是计算机智能科学领域的一个重要研究方向。特别是对于野外不规则条件下的移动机器人,由于其应用环境的复杂性、不稳定性、多样性等现实因素的存在,如何更好的提高机器人的识别准确度,增强机器人的自适应性,这是该领域的一个聚焦点。针对野外环境的上述因素,特别是受以光照条件为代表的天气状况对地形分类和识别的影响,本文首先阐述如何运用高斯混合模型(Gaussian Mixture Models,GMMs模型)来对以光照为主要因素的天气状况进行建模,进而实现光照识别;然后以光照为依据来动态选择模式特征;最后通过特定光照条件下选定的特征进行野外环境下的地形分类。该方法在一定程度上实现机器人在野外多变环境下对地形分类准确性、鲁棒性、高效性的应用要求。本论文将在以下三方面做出论述: 1.基于高斯混合模型的光照识别:野外环境下,最明显的环境状况是各种外界因素不受人们的控制,季节、雨雾、白昼、阴影和光照等自然因素的存在一定程度上大大弱化了各种传感器的性能发挥,光照的不断变化可以看作是所有因素中的决定性因素,其他因素都可以间接的反映到光照上来。因此,如何对以光照为主的天气状况进行建模成为描述环境状况的一个难题。高斯混合模型作为一个概率统计模型,可以模拟复杂的空间分布,本文将高斯混合模型GMMs应用到野外环境下的光照状况描述上来,实现了对光照的数学模型支持。 2.面向地形分类的网格化SURF特征:从计算机智能的模式提取角度来看,特征选择已经成为机器人领域一个越来越被重视的环节。有研究表明,特征选择的优劣甚至成为机器人识别效果好坏的制约因素。在特征提取和选择领域,多传感器特征融合策略,深度学习策略等都被相继提出和深入研究。由于不存在万能的特征使之满足任何环境条件,在本文中,依据光照条件模型,以网格化SURF特征为中心,提出了适应于特定光照状况的动态特征选择策略。 3.基于光照识别和动态特征选择的地形分类:传统的地形分类策略,往往选定一种特征方案,通过学习算法的优化来提高自主性。本文首先制定一套特征变换规则,随着光照分布的变换,动态选择最佳匹配特征,实现了移动机器人在野外环境下对地形分类准确度的要求,增强了机器人的自适应性。在该部分采用多组数据集进行实验,验证了基于光照识别和动态特征选择的地形分类的优势。