论文部分内容阅读
判断地形的可通过性是移动机器人自主探索新环境的前提。不同环境中的同种物体的视觉感观并不相同,同一环境中不同季节、天气和光照变化下的同一物体的视觉感观也差别很大,这些差异增加了地形分类的难度。不过本文发现,由于空间和时间的连续性,机器人在一段时间内所处的场景是不变的,而在同一场景内各个物体的视觉感观也是确定的。针对于此,本文提出基于场景发现的自监督地形分类方法:机器人能够先在无监督条件下识别不同场景;对于某一特定场景,如果它是未知的,则机器人能够自监督地选择特征并学习一个地形分类器;如果它是已知的,则机器人将使用之前选择的特征学习出的地形分类器对当前场景中的物体进行分类。 本文的方法为两部分,前一部分称为基于无监督学习的场景发现。对于机器人通过单目摄像头获取的一副图像,首先将它分块,然后提取低层特征,之后将这些块特征依次加入到一个动态的聚类算法模型中,其中的聚类中心就是一个关键块。接下来,本文利用这些关键块对原图像进行编码并提取基于内容的特征,然后将这些特征同样依次加入到另一个动态的聚类算法模型当中,此时该模型中维护的聚类中心就代表了场景。当前图像会根据该模型判断的结果来决定它是一个已知场景、未知图像还是发现了一个新场景。 后一部分称为基于场景发现的自监督地形分类,本文给出一种自动的特征选择方法,它可以根据不同的训练数据集选择不同的特征组合,从而在保持分类精确度的同时大大降低了训练和分类时间。然后本文应用这种特征选择方法,在第一部分基于无监督学习的场景发现之后进行自监督的地形分类。当发现一个新场景,机器人可以自监督地获取训练数据集,然后进行特征选择,训练一个分类器;当图像属于已知的旧场景,机器人可以直接提取相应的特征,使用相应的分类器进行地形分类。 实验证明,这种双层的分类结构能够应对未知的环境及事物,并且在一定程度上提高了特定环境和场景下的分类精度。