非結構化農業(yè)環(huán)境下的遠距離場景推理研究.pdf

1、遠距離場景信息的感知是室外環(huán)境尤其是非結構化農業(yè)環(huán)境下移動機器人實現(xiàn)自主作業(yè)的關鍵環(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，非結構化農業(yè)環(huán)境下的特征重疊及多模態(tài)分布結構、距離尺度效應、場景學習樣本不均衡以及場景概念漂移等特性給遠距離場景感知系統(tǒng)的設計和應用帶來了極大的挑戰(zhàn)。長期以來，農業(yè)場景感知的研究主要集中在以農田作物行識別為代表的近距離場景的感知上，而在非結構化農業(yè)場景遠距離感知系統(tǒng)的研究上還存在空白。因此，開展低成

2、本遠距離場景推理系統(tǒng)的研究對解決非結構化環(huán)境下的農業(yè)機器人自主作業(yè)問題具有重要的理論研究意義和實際應用價值。
　　 本文圍繞非結構化農業(yè)環(huán)境下的遠距離場景推理問題，按照推理特征、推理樣本融合、推理策略設計到推理模型驗證的邏輯層次，具體從推理特征的在線自適應提煉策略、融合不同場景語義信息的遠距離推理模型、融合場景區(qū)域空間關系的遠距離推理模型以及遠距離場景推理模型的實驗驗證四個角度進行了研究，為進一步實現(xiàn)非結構化環(huán)境下的農業(yè)機器人自

3、主作業(yè)提供理論依據(jù)和系統(tǒng)設計參考。論文具體研究內容如下：
　　 首先，針對非結構化農業(yè)場景特征分布的動態(tài)不確定性問題以及預確定推理特征的有效性偏移問題，提出了基于當前場景樣本信息的隱特征自適應在線提取策略，建立了基于監(jiān)督式核化局部線性嵌入流形學習的在線降維模型(SKLLE，Supervised KernelLocally Linear Embedding).SKLLE模型基于聚類中心后驗概率預估策略以及自定義核空間映射函數(shù)，實現(xiàn)

4、了非結構化農業(yè)場景原始特征數(shù)據(jù)多模態(tài)分布結構在低維流形上的保持和再現(xiàn)?；谧罱彿诸惼鞯膶嶒灡砻?，場景隱特征在實現(xiàn)降維的同時提升了場景推理的精度，并且場景隱特征的低維特性有助于本文后續(xù)場景推理模型計算量的降低。
　　 其次，針對非結構化農業(yè)場景近距離學習樣本不均衡、甚至缺失以及場景概念漂移等特性，提出了整合不同時空點場景樣本信息和語義信息以提升當前場景遠距離推理性能的SNKBC解決方案(Semantic Nearest-K Fr

5、ames based Bayes Classifier)。該方案借鑒模式識別領域的場景語義建模思想，建立了描述非結構化農業(yè)環(huán)境不同場景區(qū)域抽象概念的語義上下文模型WSCM。SNKBC算法包含樣本數(shù)據(jù)的預充和在線擴充、基于語義上下文的最優(yōu)樣本選擇及組合、基于預聚類策略的貝葉斯分類等步驟。實驗表明，與僅基于當前場景樣本的推理結果相比，SNKBC推理結果的精度更高、穩(wěn)定性更好。實驗同時表明，基于語義上下文的最優(yōu)樣本選擇以及樣本數(shù)據(jù)的在線擴充在

6、影響SNKBC推理性能的所有因素中起主導作用。
　　 再者，針對非結構化農業(yè)場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)受距離尺度效應制約等特點，提出了融合同一場景不同區(qū)域空間關系以提升場景推理精度的思想，建立了基于條件隨機場的空間上下文統(tǒng)計推理模型CRFNFP(conditional random fields based near-to-far perception framework)。CRFNFP模型采用單

7、勢能和交互勢能分別實現(xiàn)了對場景區(qū)域特征以及區(qū)域空間關系的建模。單勢能的構建融合了前文SNKBC方法及啟發(fā)式貝葉斯分類策略，實現(xiàn)了場景局部特征到對應地形類別的非線性映射；交互勢能中的數(shù)據(jù)獨立勢函數(shù)從人類對場景先驗感知的角度實現(xiàn)了與局部區(qū)域特征無關的空間關系建模；交互勢能中的數(shù)據(jù)相關勢函數(shù)從相鄰區(qū)域局部特征自適應融合的角度實現(xiàn)了基于局部區(qū)域特征的空間關系建模。實驗表明，與前文的SNKBC方法相比，CRFNFP方法更能識別連貫的可通過性區(qū)域，

8、更能系統(tǒng)、有效地規(guī)避偽路徑問題，推理結果的穩(wěn)定性以及對光照條件變化的自適應性更好。實驗同時表明，CRFNFP推理結果在RMSE誤差意義上優(yōu)于美國科羅拉多大學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、不同類型的場景中進行了場景推理和避障行走的實驗驗證。實驗部分首先對系統(tǒng)的遠距離避障行為進行了研究，并就遠距離

9、場景推理提高系統(tǒng)避障效率的內在機理進行了分析；其次對適用遠距離避障系統(tǒng)的特定場景類型作了討論以指導后續(xù)進一步的系統(tǒng)集成工作;最后實際非結構化農業(yè)環(huán)境下的避障實驗對遠距離避障系統(tǒng)的有效性作了進一步的研究。實驗表明，基于CRFNFP的遠距離避障系統(tǒng)在非結構化農業(yè)環(huán)境中具有普遍意義的特定類型場景條件下，在場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)計意義上的優(yōu)勢。由此，本文在前面幾章證明推理模型有效性的基礎上進一步證明了CRF