基于并行計(jì)算的蘋(píng)果采摘機(jī)器人關(guān)鍵技術(shù)研究.pdf

1、機(jī)器人避障預(yù)測(cè)模型、圖像處理和存儲(chǔ)優(yōu)化是蘋(píng)果采摘機(jī)器人軟件系統(tǒng)中的重要研究?jī)?nèi)容。這些模塊的算法優(yōu)化和并行處理是提升蘋(píng)果采摘機(jī)器人軟件系統(tǒng)性能的捷徑之一。本文描述了一種可擴(kuò)展的蘋(píng)果采摘機(jī)器人并行系統(tǒng)的軟硬件框架結(jié)構(gòu)，說(shuō)明在蘋(píng)果采摘機(jī)器人技術(shù)中應(yīng)用并行技術(shù)的可行性和必要性。針對(duì)蘋(píng)果采摘機(jī)器人上位機(jī)軟件系統(tǒng)中的相關(guān)算法——基于決策樹(shù)的機(jī)器人避障預(yù)測(cè)模型、含噪蘋(píng)果圖像聚類(lèi)分割和匹配等模塊的設(shè)計(jì)特點(diǎn)及相關(guān)性能等進(jìn)行了研究分析。以并行化處理為主線，

2、運(yùn)用MapReduce編程模型和集群等并行技術(shù)，設(shè)計(jì)了這些算法的優(yōu)化算法或并行算法，以提高相關(guān)算法的效率或識(shí)別準(zhǔn)確率。主要研究工作和結(jié)論及創(chuàng)新點(diǎn)如下：
　　（1）通過(guò)機(jī)器人避障樣本建立狀態(tài)空間映射到?jīng)Q策空間關(guān)系矩陣，是決策樹(shù)判定的變換空間。傳統(tǒng)的決策樹(shù)生成算法對(duì)大樣本的數(shù)據(jù)挖掘和處理能力是有限的。本文提出一種基于MapReduce和屬性集依賴度的預(yù)測(cè)模型并行生成算法，可對(duì)機(jī)器人避障預(yù)測(cè)中的決策樹(shù)生成進(jìn)行并行處理。該算法采用屬性集依

3、賴度作為測(cè)試屬性的選擇標(biāo)準(zhǔn)來(lái)避免 ID3算法不易去除噪聲以及忽視屬性間相互關(guān)聯(lián)等缺點(diǎn)，在考慮屬性集和屬性集內(nèi)元素相互依賴的基礎(chǔ)上對(duì)屬性或?qū)傩约M(jìn)行約簡(jiǎn)，從而去掉冗余屬性（集）。通過(guò)機(jī)器人避障操作實(shí)例的仿真結(jié)果驗(yàn)證了基于MapReduce和屬性集依賴度并行決策樹(shù)生成算法可以處理大規(guī)模數(shù)據(jù)樣本的分類(lèi)與決策問(wèn)題，同時(shí)與之前算法進(jìn)行了復(fù)雜度等比較，具有較好的可擴(kuò)展性和較高的分類(lèi)效率。
　?。?）基于空間特征的譜聚類(lèi)含噪蘋(píng)果圖像分割的并行優(yōu)

4、化算法圍繞圖像去噪、優(yōu)化和并行譜聚類(lèi)等問(wèn)題而設(shè)計(jì)。其基本思路是構(gòu)造圖像的三維空間特征點(diǎn)緊致性函數(shù)，用以構(gòu)造鄰近點(diǎn)的相似矩陣實(shí)現(xiàn)圖像的去噪效果；再利用離群點(diǎn)矩陣拆分并由其它剩余列向量線性表示，對(duì)相似矩陣進(jìn)行離群點(diǎn)調(diào)優(yōu)實(shí)現(xiàn)聚類(lèi)優(yōu)化，降低離群點(diǎn)對(duì)譜聚類(lèi)算法聚類(lèi)的精確度的影響，最后設(shè)計(jì)MapReduce函數(shù)來(lái)并行化處理。為了驗(yàn)證基于空間特征的譜聚類(lèi)方法的去噪效果以及離群點(diǎn)優(yōu)化的聚類(lèi)優(yōu)化，對(duì)兩幅蘋(píng)果圖像添加不同程度的高斯和椒鹽噪聲（方差分別為0.

5、01、0.05和0.1的高斯噪聲和概率分別為0.01、0.05和0.1的椒鹽噪聲），分別求出譜聚類(lèi)方法、基于空間特征的譜聚類(lèi)方法、離群點(diǎn)優(yōu)化方法和基于MapReduce的離群點(diǎn)優(yōu)化方法的蘋(píng)果目標(biāo)圖像的分割圖，并計(jì)算四類(lèi)方法的分割準(zhǔn)確率。結(jié)果表明：譜聚類(lèi)方法受噪聲的影響較大；基于空間特征的譜聚類(lèi)方法的分割效果受噪聲的影響較小，但在邊界區(qū)域仍然有很多錯(cuò)分的像素；離群點(diǎn)優(yōu)化方法和基于MapReduce的離群點(diǎn)優(yōu)化方法在邊界區(qū)域的分割要優(yōu)于基于

6、空間特征的譜聚類(lèi)方法；在設(shè)定的實(shí)驗(yàn)條件下，其分割結(jié)果準(zhǔn)確率相對(duì)于基于空間特征的譜聚類(lèi)方法和傳統(tǒng)的譜聚類(lèi)方法可分別提高5％～6%和9%～25%，且其后者與前者的時(shí)間加速比為11%左右。
　?。?）提出一種基于集群和降低維數(shù)的圖像匹配并行處理方法，可以處理大數(shù)據(jù)量的灰度陣列信息，在不降低相似度量的前提下提高其匹配效率。該方法屬于快速一維投影模板匹配算法，第一步是降維投影其二維實(shí)時(shí)圖像，其次是差分量化其投影值，形成由0、1邏輯數(shù)字組成的

7、描述圖像與模板的特征字符串，引入基于同構(gòu)集群的分級(jí)嵌套串匹配并行算法對(duì)圖像和模板直接進(jìn)行匹配。驗(yàn)證了這種新的模板快速并行匹配算法的并行圖像處理的可行性及分析比較結(jié)果。
　?。?）在上述算法實(shí)驗(yàn)的過(guò)程中，實(shí)驗(yàn)平臺(tái)Hadoop的HDFS是基本并行存儲(chǔ)結(jié)構(gòu)，圖像等文件會(huì)遇到訪存不均衡的問(wèn)題，它有很強(qiáng)的訪存偏向性與時(shí)效性。本文注意到對(duì)其做存儲(chǔ)和預(yù)取優(yōu)化能改進(jìn)和提高系統(tǒng)效率。提出將不同的存儲(chǔ)單元（異構(gòu)）組合成為更多不同層級(jí)的存儲(chǔ)設(shè)備的方案，

8、把本次任務(wù)需用的文件存儲(chǔ)在更合適的磁盤(pán)位置，這樣就可以在充分考慮成本因素的條件下搭建高性能存儲(chǔ)，并利用預(yù)取技術(shù)減少M(fèi)apReduce任務(wù)等待時(shí)間。
　　綜上，通過(guò)對(duì)幾種典型軟硬件并行處理技術(shù)進(jìn)行較為深入的研究，將這些技術(shù)應(yīng)用于蘋(píng)果采摘機(jī)器人軟件系統(tǒng)中主要算法（包括機(jī)器人避障預(yù)測(cè)與決策、圖像處理和并行存儲(chǔ)優(yōu)化）中。通過(guò)實(shí)例仿真以及平臺(tái)試驗(yàn)的運(yùn)行結(jié)果分析并行化過(guò)程和其中中間代碼的生成以及復(fù)雜度分析得出了一些有益結(jié)論。也可為其它領(lǐng)域相通