论文部分内容阅读
随着科技的发展,和人类日常生活、工作密切相关的家居服务机器人受到越来越多的关注。近年来,智能扫地机器人在已在国内外消费市场大规模产业化,给人们的生活带来极大的便利。目前,市面上的扫地机器人具备路径规划、自动充电、作业规划、避障等简单功能,但扫地机器人智能化程度不高,普遍缺乏对环境的理解能力,复杂感知、认知与决策能力弱,不具备对垃圾进行分类辨别、按类处理的能力,清扫效率低并且缺乏适应性强的路径规划方法。研究基于机器视觉的扫地机器人环境感知能力,并对垃圾进行精准检测与分类,有利于增强垃圾清扫的主动性和效率,同时能够大大增强扫地机器人对不同垃圾的分类处置的能力。为了提高扫地机器人的智能化程度,本文围绕垃圾检测与分类问题、行驶区域的检测问题展开研究,论文主要完成了以下三部分工作:(1)搭建了扫地机器人试验平台,该平台主要包括嵌入式视觉处理系统,车载摄像头,全向运动Anycbot四轮驱动机器人底盘。配备的视觉传感器支持垃圾的检测与分类和行驶区域检测,满足原理验证和算法验证的需求。(2)针对家居环境下垃圾快速、准确检测与分类的问题。本文选择检测速度较快的YOLOv2网络作为主网络。同时,为了充分利用图像的高分辨率特征,将YOLOv2网络和密集连接卷积网络相结合,通过嵌入深层密集模块实现图像浅层和深层特征的复用和融合,从而减少特征信息丢失;最后通过采用训练数据增强化处理和多尺度训练策略,完成垃圾检测分类模型的训练。实验表明,本文方法的垃圾检测识别准确率达到84.98%,实时检测速度达到26帧每秒,基本满足实时性和准确性的要求。(3)针对室内场景中扫地机器人行驶区域的检测问题,本文选择了一种用于语义分割的deepabV3+网络模型对室内机器人行驶区域进行判别。deepabV3+网络模型采用Encoder-Decoder架构,Encoder部分使用Xception模型并采用了空洞空间金字塔池化捕获更高语义信息,增加特征提取的能力,Decoder部分采用一个简单有效的模块,逐渐恢复目标细节信息和相应的空间维度。该方法在公开的ADE20K数据集与自建数据集上进行了测试,取得了良好效果,虽然在多目标分割任务上分割效果还有待加强,但很好地解决了室内行驶区域分割问题。在室内行驶区域分割上,该方法达到了预期的要求。本文在垃圾的检测与分类以及室内场景中行驶区域的检测问题上进行的尝试有助于增强扫地机器人的智能化水平,研究方法对于智能扫地机器人技术研发具有推动作用和重要的借鉴价值,相关方法也值得进一步深入研究与分析。