论文部分内容阅读
导航研究是移动机器人研究的重点和难点，是其实现智能化和自主化的关键。导航研究的目标是，在无人干预的情况下，移动机器人能够实现自我定位，判断自身状态，规划移动路径并完成指定任务。现有的导航技术还不能满足需求，成为移动机器人大规模应用的瓶颈。 本文结合深度学习算法，在嵌入式开发平台上搭建实验系统，分别对移动机器人导航问题中的深度信息获取、即时定位与地图构建、基于深度学习的导航进行了研究，提出改进策略，进行实验，并对性能和精度进行了分析。 本文的工作和主要贡献可以归纳为以下三点: 1.提出可在嵌入式平台运行的空间深度估计神经网络模型。本文针对已有的网络模型计算量太大，无法在嵌入式平台运行的问题，提出一个小规模网络模型，可以从单目RGB图片估计出深度信息。本文对网络计算量的瓶颈进行分析，对残差网络进行压缩，计算量减少为原网络的28％。使用上采样提高输出分辨率，使用Berhu损失函数计算误差进行优化。网络模型使用深度学习框架Caffe实现，训练和测试使用NYU Depth V2数据集。使用最近邻差值和BFS解决Kinect深度图空洞问题。最终训练好的网络模型与现有模型相比，精度损失不大，但计算量大大减少，并且成功移植到嵌入式平台Jetson TX1上。 2.提出基于网络估计深度的视觉SLAM方法。深入研究视觉SlAM各个模块，在嵌入式平台搭建基于ORB特征的SLAM系统。增加点云图显示模块，提供地图可视化窗口，改进“词袋”加载方式，提高50倍加载速度。使用1训练的网络模型处理TUM数据集，获取估计的深度图集合，进行RGB-D SLAM实验，与Kinect获取的深度图进行对比，详细分析了性能和精度。上述实验分别在PC、Jetson TX1、DragonBoard410c进行，对三个平台的性能、精度进行了分析。 3.基于深度学习的端到端导航技术研究。本文提出将深度学习直接用于移动机器人导航决策。使用Udacity自动驾驶模拟器和TensorFlow搭建仿真平台，仿真基于视觉的无人车导航。通过Socket通信与模拟器传递信息，从模拟器收集大量的训练数据和监督信息，并对数据进行处理做数据增强。构建用于决策的深度神经网络，分析了网络计算量和运行时间，处理速度达到25-40FPS。实验证明网络模型的泛化能力很强，能够顺利完成不同赛道。