论文部分内容阅读
障碍物检测与识别一直是移动机器人领域研究的热点问题,也是确保机器人安全运行的首要前提。本文从实际应用项目(智能扫雪机器人研发)设计中对障碍物检测与识别的需求出发,首先设计了基于超声波测距原理的障碍物检测方法。然后充分利用深度学习能从大数据中自主学习图像特征的特点,探讨了深度学习算法在机器人障碍物检测和识别中的应用。为解决机器人障碍物检测和识别问题提供了新的方法和思路。本文的主要内容包括:设计基于超声波测距原理的机器人障碍物检测系统。在了解超声波测距的基本原理和所使用超声波传感器特性的基础上,设计障碍物检测系统进行测距。从障碍物检测实验中找到影响测距精度的两大因素:探头余震干扰信号和突然产生的强干扰信号;探讨可行的优化方法来最大限度的减少探头余震的干扰和尽量避免强干扰信号的影响,并设计对比实验来验证优化方法的可行性。优化后的超声波测距系统有良好的抗干扰性能,且能较准确快速的测出前方障碍物的距离。设计基于深度学习的机器人障碍物识别系统,通过深度学习算法识别出障碍物的具体种类和具体位置信息,利用kinect深度相机完成测距工作。制作适用于目标检测算法(Single Shot multiBox Detector)的数据集来训练最初的目标检测算法。通过对数据集中部分图片的裁剪操作来优化数据集,并在SSD的基本结构VGG16中,引入MFM激活函数和NIN的网络结构来优化网络。通过优化前后测试结果的对比发现,识别精度提高了7.4%,凸显出优化方法的有效性。用kinect深度摄像头的RGB相机拍摄彩色图像,红外相机拍摄深度图像。在测得目标物体具体位置坐标信息的基础上,结合深度图像求出深度图像中指定范围内像素距离的平均值。把该平均值作为目标物体与摄像头之间的距离。从而实现了用目标检测加深度测距的方式,识别出摄像头前方物体的类别并测出它与摄像头之间的距离,在实验室环境下模拟了扫雪机器人对前方障碍物的识别和测距。