论文部分内容阅读
智能小车集成了图像处理、智能控制、雷达定位等先进技术,在无人驾驶、抢险救援、区域探索、工业生产和家庭生活等各个领域应用广泛。近些年,随着神经网络理论的不断发展,人工智能在学术界和工业界重新被重视起来,起源于人工神经网络的深度学习技术也取得了蓬勃发展,尤其是在图像处理领域发力,将图像处理技术带入到新高度。针对无人驾驶技术的研究,其循迹和避障能力是智能小车最基础也是最重要的功能。针对循迹功能的实现方面,本文采用了边缘检测算法和阈值分割法;在避障功能的实现方面采用卷积神经网络算法,并对算法进行改进,然后在基于Raspberry Pi的智能小车平台上进行验证。本文主要研究内容和工作重点如下:1、设计了双层卷积层和双连接层的卷积神经网络模型,并把卷积层的步长设定为2,以此消除了池化层,减小了模型规模,加快了模型计算速度。对Adam优化器进行了改进,改善了收敛性较差的问题,改进后的卷积神经网络模型数据损失减少了 3.3%,准确度提升了 3.4%。2、搭建基于Raspberry Pi的智能小车实验平台,内置Linux系统,自带Python3编译开发环境,使用无线串口模块实现对智能小车的无线控制,图像数据的采集和预处理使用OpenCV,解决了图像畸变等问题。采用复合PID控制作为智能小车的横向控制问题解决方案,实现PID自适应调节。3、使用搭建完成的智能小车实验平台收集图像数据,对图像数据进行灰度化、滤波以及裁剪处理,将处理之后的图像数据传递给设计好的卷积神经网络模型并训练模型,使用训练好的模型控制智能小车进行跑道避障测试,小车可以正常完成避障与跑道行驶。本文研究结果表明:简化池化层的卷积神经网络精确度未受影响,改进的Adam优化器则减少了训练过程中的数据损失,改进后的训练模型使智能小车具有更好的避障与循迹性能。