基于深度學(xué)習(xí)的目標(biāo)識(shí)別研究及其多機(jī)器人編隊(duì)?wèi)?yīng)用.pdf

1、隨著計(jì)算機(jī)視覺技術(shù)和圖像處理技術(shù)的發(fā)展，目標(biāo)識(shí)別技術(shù)被廣泛的運(yùn)用在在工業(yè)、軍事、航空等領(lǐng)域，成為了自動(dòng)控制、計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域的研究熱點(diǎn)。
　　特征提取是物體目標(biāo)識(shí)別的重要環(huán)節(jié)，有手動(dòng)提取特征和自動(dòng)提取特征兩種方式。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)是一種自動(dòng)提取特征的方式，但是由于網(wǎng)絡(luò)訓(xùn)練是全局連接導(dǎo)致訓(xùn)練參數(shù)過多而產(chǎn)生過擬合。本課題中使用的深度學(xué)習(xí)算法則是一種分層次的自動(dòng)提取特征的方法，它采用逐層訓(xùn)練的方式，逐步提取物體從低層到高層的特征，這

2、種特征更有區(qū)分性。本文中首先通過物體的檢測、分割和基本的圖像處理獲得大量物體樣本，然后利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行了訓(xùn)練，最后對(duì)目標(biāo)物體進(jìn)行識(shí)別。通過對(duì)比，卷積神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)的正確識(shí)別率達(dá)到了95.9％，而傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確識(shí)別率只有93.4%。另外，為了解決圖像識(shí)別中遇到的圖像的“二義性”問題，文中提出了雙深度置信網(wǎng)絡(luò)（DBN）的深度神經(jīng)網(wǎng)絡(luò)架構(gòu)，采取信息融合的方式，經(jīng)實(shí)驗(yàn)可知采用雙DBN網(wǎng)絡(luò)的目標(biāo)識(shí)別正確率較采用卷積神經(jīng)網(wǎng)絡(luò)提高到

3、97.3%。
　　同時(shí)，已有的多機(jī)器人編隊(duì)研究成果中并不能很好的解決復(fù)雜環(huán)境下的自適應(yīng)編隊(duì)問題。本課題中將基于深度學(xué)習(xí)的目標(biāo)識(shí)別方法與當(dāng)下機(jī)器人研究熱點(diǎn)多機(jī)器人編隊(duì)進(jìn)行結(jié)合，用于解決多機(jī)器人編隊(duì)過程中的避障和隊(duì)形變換決策問題。通過將機(jī)器人的編隊(duì)與其所處環(huán)境障礙物的分布結(jié)合起來，設(shè)計(jì)了一種多機(jī)器人離線訓(xùn)練學(xué)習(xí)和在線實(shí)施目標(biāo)識(shí)別的，自主避障和隊(duì)形變換的算法，即機(jī)器人首先能夠通過傳感器學(xué)習(xí)到當(dāng)前所處環(huán)境遇到的障礙物，然后結(jié)合編隊(duì)算法進(jìn)行