非結(jié)構(gòu)化農(nóng)業(yè)環(huán)境下的遠(yuǎn)距離場(chǎng)景推理研究.pdf

1、遠(yuǎn)距離場(chǎng)景信息的感知是室外環(huán)境尤其是非結(jié)構(gòu)化農(nóng)業(yè)環(huán)境下移動(dòng)機(jī)器人實(shí)現(xiàn)自主作業(yè)的關(guān)鍵環(huán)節(jié)，有助于避免系統(tǒng)死鎖、提高行走安全性及行走效率。然而，非結(jié)構(gòu)化農(nóng)業(yè)環(huán)境下的特征重疊及多模態(tài)分布結(jié)構(gòu)、距離尺度效應(yīng)、場(chǎng)景學(xué)習(xí)樣本不均衡以及場(chǎng)景概念漂移等特性給遠(yuǎn)距離場(chǎng)景感知系統(tǒng)的設(shè)計(jì)和應(yīng)用帶來(lái)了極大的挑戰(zhàn)。長(zhǎng)期以來(lái)，農(nóng)業(yè)場(chǎng)景感知的研究主要集中在以農(nóng)田作物行識(shí)別為代表的近距離場(chǎng)景的感知上，而在非結(jié)構(gòu)化農(nóng)業(yè)場(chǎng)景遠(yuǎn)距離感知系統(tǒng)的研究上還存在空白。因此，開(kāi)展低成

2、本遠(yuǎn)距離場(chǎng)景推理系統(tǒng)的研究對(duì)解決非結(jié)構(gòu)化環(huán)境下的農(nóng)業(yè)機(jī)器人自主作業(yè)問(wèn)題具有重要的理論研究意義和實(shí)際應(yīng)用價(jià)值。
　　 本文圍繞非結(jié)構(gòu)化農(nóng)業(yè)環(huán)境下的遠(yuǎn)距離場(chǎng)景推理問(wèn)題，按照推理特征、推理樣本融合、推理策略設(shè)計(jì)到推理模型驗(yàn)證的邏輯層次，具體從推理特征的在線自適應(yīng)提煉策略、融合不同場(chǎng)景語(yǔ)義信息的遠(yuǎn)距離推理模型、融合場(chǎng)景區(qū)域空間關(guān)系的遠(yuǎn)距離推理模型以及遠(yuǎn)距離場(chǎng)景推理模型的實(shí)驗(yàn)驗(yàn)證四個(gè)角度進(jìn)行了研究，為進(jìn)一步實(shí)現(xiàn)非結(jié)構(gòu)化環(huán)境下的農(nóng)業(yè)機(jī)器人自

3、主作業(yè)提供理論依據(jù)和系統(tǒng)設(shè)計(jì)參考。論文具體研究?jī)?nèi)容如下：
　　 首先，針對(duì)非結(jié)構(gòu)化農(nóng)業(yè)場(chǎng)景特征分布的動(dòng)態(tài)不確定性問(wèn)題以及預(yù)確定推理特征的有效性偏移問(wèn)題，提出了基于當(dāng)前場(chǎng)景樣本信息的隱特征自適應(yīng)在線提取策略，建立了基于監(jiān)督式核化局部線性嵌入流形學(xué)習(xí)的在線降維模型(SKLLE，Supervised KernelLocally Linear Embedding).SKLLE模型基于聚類中心后驗(yàn)概率預(yù)估策略以及自定義核空間映射函數(shù)，實(shí)現(xiàn)

4、了非結(jié)構(gòu)化農(nóng)業(yè)場(chǎng)景原始特征數(shù)據(jù)多模態(tài)分布結(jié)構(gòu)在低維流形上的保持和再現(xiàn)?；谧罱彿诸惼鞯膶?shí)驗(yàn)表明，場(chǎng)景隱特征在實(shí)現(xiàn)降維的同時(shí)提升了場(chǎng)景推理的精度，并且場(chǎng)景隱特征的低維特性有助于本文后續(xù)場(chǎng)景推理模型計(jì)算量的降低。
　　 其次，針對(duì)非結(jié)構(gòu)化農(nóng)業(yè)場(chǎng)景近距離學(xué)習(xí)樣本不均衡、甚至缺失以及場(chǎng)景概念漂移等特性，提出了整合不同時(shí)空點(diǎn)場(chǎng)景樣本信息和語(yǔ)義信息以提升當(dāng)前場(chǎng)景遠(yuǎn)距離推理性能的SNKBC解決方案(Semantic Nearest-K Fr

5、ames based Bayes Classifier)。該方案借鑒模式識(shí)別領(lǐng)域的場(chǎng)景語(yǔ)義建模思想，建立了描述非結(jié)構(gòu)化農(nóng)業(yè)環(huán)境不同場(chǎng)景區(qū)域抽象概念的語(yǔ)義上下文模型WSCM。SNKBC算法包含樣本數(shù)據(jù)的預(yù)充和在線擴(kuò)充、基于語(yǔ)義上下文的最優(yōu)樣本選擇及組合、基于預(yù)聚類策略的貝葉斯分類等步驟。實(shí)驗(yàn)表明，與僅基于當(dāng)前場(chǎng)景樣本的推理結(jié)果相比，SNKBC推理結(jié)果的精度更高、穩(wěn)定性更好。實(shí)驗(yàn)同時(shí)表明，基于語(yǔ)義上下文的最優(yōu)樣本選擇以及樣本數(shù)據(jù)的在線擴(kuò)充在

6、影響SNKBC推理性能的所有因素中起主導(dǎo)作用。
　　 再者，針對(duì)非結(jié)構(gòu)化農(nóng)業(yè)場(chǎng)景中不同地形特征重疊、相同地形特征多模態(tài)分布以及特征表現(xiàn)受距離尺度效應(yīng)制約等特點(diǎn)，提出了融合同一場(chǎng)景不同區(qū)域空間關(guān)系以提升場(chǎng)景推理精度的思想，建立了基于條件隨機(jī)場(chǎng)的空間上下文統(tǒng)計(jì)推理模型CRFNFP(conditional random fields based near-to-far perception framework)。CRFNFP模型采用單

7、勢(shì)能和交互勢(shì)能分別實(shí)現(xiàn)了對(duì)場(chǎng)景區(qū)域特征以及區(qū)域空間關(guān)系的建模。單勢(shì)能的構(gòu)建融合了前文SNKBC方法及啟發(fā)式貝葉斯分類策略，實(shí)現(xiàn)了場(chǎng)景局部特征到對(duì)應(yīng)地形類別的非線性映射；交互勢(shì)能中的數(shù)據(jù)獨(dú)立勢(shì)函數(shù)從人類對(duì)場(chǎng)景先驗(yàn)感知的角度實(shí)現(xiàn)了與局部區(qū)域特征無(wú)關(guān)的空間關(guān)系建模；交互勢(shì)能中的數(shù)據(jù)相關(guān)勢(shì)函數(shù)從相鄰區(qū)域局部特征自適應(yīng)融合的角度實(shí)現(xiàn)了基于局部區(qū)域特征的空間關(guān)系建模。實(shí)驗(yàn)表明，與前文的SNKBC方法相比，CRFNFP方法更能識(shí)別連貫的可通過(guò)性區(qū)域，

8、更能系統(tǒng)、有效地規(guī)避偽路徑問(wèn)題，推理結(jié)果的穩(wěn)定性以及對(duì)光照條件變化的自適應(yīng)性更好。實(shí)驗(yàn)同時(shí)表明，CRFNFP推理結(jié)果在RMSE誤差意義上優(yōu)于美國(guó)科羅拉多大學(xué)同行的分類器組合算法。
　　 最后，將上述的SNKBC及CRFNFP推理模型配合大范圍圖像平面路徑規(guī)劃策略整合到遠(yuǎn)距離避障系統(tǒng)上，并分別在不同天氣、不同顏色及位置分布、不同類型的場(chǎng)景中進(jìn)行了場(chǎng)景推理和避障行走的實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)部分首先對(duì)系統(tǒng)的遠(yuǎn)距離避障行為進(jìn)行了研究，并就遠(yuǎn)距離

9、場(chǎng)景推理提高系統(tǒng)避障效率的內(nèi)在機(jī)理進(jìn)行了分析；其次對(duì)適用遠(yuǎn)距離避障系統(tǒng)的特定場(chǎng)景類型作了討論以指導(dǎo)后續(xù)進(jìn)一步的系統(tǒng)集成工作;最后實(shí)際非結(jié)構(gòu)化農(nóng)業(yè)環(huán)境下的避障實(shí)驗(yàn)對(duì)遠(yuǎn)距離避障系統(tǒng)的有效性作了進(jìn)一步的研究。實(shí)驗(yàn)表明，基于CRFNFP的遠(yuǎn)距離避障系統(tǒng)在非結(jié)構(gòu)化農(nóng)業(yè)環(huán)境中具有普遍意義的特定類型場(chǎng)景條件下，在場(chǎng)景感知距離和避障效率的提升上與傳統(tǒng)近距離避障系統(tǒng)相比具有統(tǒng)計(jì)意義上的優(yōu)勢(shì)。由此，本文在前面幾章證明推理模型有效性的基礎(chǔ)上進(jìn)一步證明了CRF