【摘 要】
：
基于视觉的同时定位与地图构建（Simultaneous Localization And Mapping,SLAM）是机器人自主移动的核心功能,主要解决的是机器人中“我在哪?”、“我的周围是什么?”的问题,是机器人实现自主智能化的关键。近些年,基于深度学习的目标检测和语义分割的广泛研究与应用,获取非常精准的语义信息已经成为可能。将环境中的物体的语义信息结合到SLAM系统中,是当前SLAM的热门研究
论文部分内容阅读
基于视觉的同时定位与地图构建（Simultaneous Localization And Mapping,SLAM）是机器人自主移动的核心功能,主要解决的是机器人中“我在哪?”、“我的周围是什么?”的问题,是机器人实现自主智能化的关键。近些年,基于深度学习的目标检测和语义分割的广泛研究与应用,获取非常精准的语义信息已经成为可能。将环境中的物体的语义信息结合到SLAM系统中,是当前SLAM的热门研究方向。为了给机器人提供高级的语义信息,本文主要通过两个方面开展研究工作:一是设计适用SLAM系统的轻量级目标检测模型,在检测速度达到要求的同时,又能达到较高的检测精度。二是将多视图几何与语义信息相结合实现对机器人移动环境中的动态物体进行剔除,以此来提高系统的鲁棒性和运行速度。为此,本文从以下几个方面开展研究:（1）提出了将YOLO-Tiny结合Vary Block模块的轻量级目标检测算法。针对SLAM的高实时性要求和YOLOv3-Tiny在SLAM中的检测精度不够高等问题,本文设计的YOLO-Tiny算法将基准网络中的下采样层进行替换,通过Vary Block模块来减少下采样造成的信息损失,采用K-means++对网络的初始Anchor进行优化,将目标检测网络与SLAM系统进行融合。（2）针对特征匹配中的层次聚类造成的匹配时间过长问题,设计了基于目标检测的特征点匹配算法来替代层次聚类,将训练好的模型应用于特征点匹配中,实时检测物体类别并给特征点附上语义标签,通过标签进行对特征点的初步划分,以此来对SLAM系统的特征点匹配进行优化。（3）以剔除环境中的动态物体为目标,提出了基于语义约束和几何约束的动态物体剔除算法（DOEA）,将YOLO-Tiny算法融合到SLAM系统中以剔除可预先定义的动态物体,结合几何理论共同优化SLAM系统的定位精度。
其他文献
乳腺癌是全球最常见的癌症,其发病率和死亡率居高不下,严重危害着女性的健康。组织病理图像分析是乳腺癌诊断的“黄金标准”,但图像的复杂性和多样性使得病理医生的诊断过程耗时耗力且效率低下。另外,病理医生的经验阅历不同以及分析病理图像时的主观性甚至可能会导致误诊。目前,深度学习在计算机视觉和图像处理等领域崭露头角,也为计算机辅助诊断提供了一种新的思路和途径。本文以苏木精-伊红染色的乳腺组织病理图像数据集为
从水下视频和图像中自动探测和识别鱼类目标对于评估渔业资源、生态环境监测等具有重要意义。但由于水下图像存在着低光照、水体浑浊、海床背景复杂、鱼类姿态多样、目标尺寸变化大、分辨率和对比度低等问题,传统的手工设计特征提取和单纯使用基于CNN的目标检测等算法并不能满足真实水下检测需求。在实现水下鱼类目标检测过程中,首先需要解决水下低分辨率、低质量的鱼类图像问题,以及在得到重建的高分辨率鱼类图像后,鱼类目标
乳腺癌是女性常见癌症之一,严重影响女性身心健康。计算机辅助诊断（ComputerAided Diagnosis,CAD）模型能有效辅助病理医生临床诊断工作,实现早发现、早诊断、早治疗,为提高人们生活质量奠定重要基础。现有研究工作:一方面,医学样本稀缺,模型易过拟合;另一方面,多使用单类别特征,而未充分挖掘并利用异构图像特征间蕴含的跨模态病理语义,同时忽略不同特征在乳腺癌图像识别中的重要性。为此,提
复杂时变动态系统在科学与工程应用领域中是非常重要的一类问题。此外,实际应用中噪声的存在会影响模型性能,导致求解精度不高等不良效果。因此含有噪声干扰下的时变动态系统的求解是值得探究的。传统的固定参数的收敛微分神经网络由于参数选定不能超过参数变化的上限,其收敛效果以及收敛速度都会受到初始极限值的限制。因此,根据自适应时变参数设计思想,论文提出一种新型的混合变参动态学习网络（Mixed variant-
随着工业生产线智能化水平的提升,焊接机器人被广泛用以提高生产效率。在实际生产过程中,焊接机器人不仅需要完成数量众多的焊点焊接任务,且还需尽可能的提高生产效率、减少能量消耗、运行平稳。因此,本文以焊接机器人为研究对象,对过给定路径点的焊接机器人最优运动轨迹展开深入研究。首先对白车身侧围结构和焊接机器人路径规划影响对象进行了研究,分析了制造资源、点焊工艺及资源整体布局对焊接机器人运动规划的影响。基于数
随着科学技术的进步,我国交通运输行业发展尤为突出,其中轨道交通运输业在各方面都具有跨越式进步,积累了大量领先世界的前沿技术。在当下的国民经济快速发展时期,轨道交通运输的压力也越来越大。重载铁路作为大宗商品运输的重要途经,线路距离长且环境多变,面对如此环境,驾驶人员极容易产生疲劳。本文以大秦线上运行的HXD1机车牵引1万吨货车作为研究对象,通过强化学习方法训练出一套重载列车辅助驾驶系统,以缓解驾驶人
随着工业自动化的发展,工业机器人凭借工作效率高、焊接质量好、可重复性高的优点,在机械制造行业得到了越来越广泛的应用,特别是在汽车行业中,白车身的点焊、喷涂等生产任务基本由工业机器人完成。在实际生产中,白车身结构复杂,焊点数量多,焊接任务重。在进行生产线设计时,为提高工作效率,常常会将两台或两台以上的机器人放置在同一工位上,将白车身上的焊点分配至多台机器人,以期减少整个工位的工作时间。但是对于多机器
AT牵引供电系统被广泛用于我国高速铁路供电,牵引网是牵引供电系统的核心组成部分,牵引网故障若故障不能得到及时有效的处理,故障范围将扩大造成严重影响。准确、快速的识别故障类型并确定故障位置有利于铁路工作人员对牵引网的修复工作,能够缩小故障发生时间和减少影响线路。论文提出了一种基于深度学习方法的AT牵引网短路故障的快速识别与测距方案,针对深度学习方法需要数据较多,而AT牵引供电系统输电线路故障数据较少
随着人工智能技术的飞速发展,智能机器人的使用领域愈来愈广泛。SLAM（Simultaneous Localization and Mapping,同时定位与地图构建）技术作为一项协助智能机器人实现自主定位、导航的重要方法,受到了许多研究人员的重视。“视觉SLAM”是指使用视觉传感器来获取外界环境信息的SLAM技术。目前,大多数的视觉SLAM算法在静态环境中使用效果较好,但是如果场景中存在动态的物体