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

1、隨著計算機視覺技術(shù)和圖像處理技術(shù)的發(fā)展，目標(biāo)識別技術(shù)被廣泛的運用在在工業(yè)、軍事、航空等領(lǐng)域，成為了自動控制、計算機視覺和模式識別領(lǐng)域的研究熱點。
　　特征提取是物體目標(biāo)識別的重要環(huán)節(jié)，有手動提取特征和自動提取特征兩種方式。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)是一種自動提取特征的方式，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）進行了訓(xùn)練，最后對目標(biāo)物體進行識別。通過對比，卷積神經(jīng)網(wǎng)絡(luò)對目標(biāo)的正確識別率達(dá)到了95.9％，而傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確識別率只有93.4%。另外，為了解決圖像識別中遇到的圖像的“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)實驗可知采用雙DBN網(wǎng)絡(luò)的目標(biāo)識別正確率較采用卷積神經(jīng)網(wǎng)絡(luò)提高到

3、97.3%。
　　同時，已有的多機器人編隊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)編隊問題。本課題中將基于深度學(xué)習(xí)的目標(biāo)識別方法與當(dāng)下機器人研究熱點多機器人編隊進行結(jié)合，用于解決多機器人編隊過程中的避障和隊形變換決策問題。通過將機器人的編隊與其所處環(huán)境障礙物的分布結(jié)合起來，設(shè)計了一種多機器人離線訓(xùn)練學(xué)習(xí)和在線實施目標(biāo)識別的，自主避障和隊形變換的算法，即機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)合編隊算法進行