近年來(lái),隨著電動(dòng)車(chē)輛及無(wú)線(xiàn)充電技術(shù)的快速發(fā)展,采用無(wú)線(xiàn)充電方式對(duì)電動(dòng)車(chē)輛進(jìn)行電量補(bǔ)給成了未來(lái)電動(dòng)車(chē)輛發(fā)展的一個(gè)必然趨勢(shì)。而無(wú)線(xiàn)充電效率較低,尤其是在車(chē)載接收裝置與地面發(fā)射裝置之間出現(xiàn)錯(cuò)位時(shí),是制約電動(dòng)車(chē)輛無(wú)線(xiàn)充電產(chǎn)業(yè)發(fā)展的一個(gè)重要因素。主要體現(xiàn)在車(chē)輛對(duì)位存在盲區(qū),駕駛員無(wú)法觀察置于車(chē)輛底盤(pán)的無(wú)線(xiàn)充電接收裝置和地面發(fā)射裝置是否對(duì)位準(zhǔn)確等信息;停車(chē)場(chǎng)環(huán)境復(fù)雜,傳統(tǒng)機(jī)器視覺(jué)圖像特征檢測(cè)的算法對(duì)車(chē)位特征點(diǎn)的實(shí)時(shí)檢測(cè)存在魯棒性較差、檢測(cè)速度較慢、對(duì)環(huán)境要求較高,以及檢測(cè)結(jié)果類(lèi)別模糊等不足。針對(duì)上述問(wèn)題,本文借鑒了基于機(jī)器學(xué)習(xí)/深度學(xué)習(xí)方法在分類(lèi)、識(shí)別、目標(biāo)檢測(cè)等領(lǐng)域應(yīng)用的成功經(jīng)驗(yàn),提出了基于深度學(xué)習(xí)的方法對(duì)車(chē)位特征檢測(cè)與車(chē)輛位姿估計(jì),為實(shí)現(xiàn)無(wú)線(xiàn)充電車(chē)輛精準(zhǔn)對(duì)位提供重要的技術(shù)借鑒。主要研究?jī)?nèi)容和取得的研究成果包括以下幾個(gè)方面:1、研究了多種極端場(chǎng)景下,基于深度學(xué)習(xí)的無(wú)線(xiàn)充電車(chē)位特征角點(diǎn)檢測(cè)算法。采集車(chē)位圖像數(shù)據(jù)并標(biāo)注數(shù)據(jù)樣本,基于YOLOv3-tiny設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)對(duì)車(chē)位特征進(jìn)行訓(xùn)練和測(cè)試,提取出車(chē)位各特征角點(diǎn)的類(lèi)別信息和位置信息。通過(guò)實(shí)驗(yàn)證明了檢測(cè)特征點(diǎn)類(lèi)別和圖像坐標(biāo)信息的正確性。2、針對(duì)實(shí)際... 

【文章來(lái)源】：深圳大學(xué)廣東省

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

電動(dòng)車(chē)輛無(wú)線(xiàn)充電示意圖

基于深度學(xué)習(xí)的無(wú)線(xiàn)充電車(chē)位特征檢測(cè)與車(chē)輛位姿估計(jì)研究2載組成。它們之間的互感系數(shù)(MutualInductance，MI)是一個(gè)至關(guān)重要的參數(shù)，對(duì)于估計(jì)傳輸性能或設(shè)計(jì)和優(yōu)化WPT系統(tǒng)至關(guān)重要。圖1.1電動(dòng)車(chē)輛無(wú)線(xiàn)充電示意圖電動(dòng)車(chē)輛無(wú)線(xiàn)充電多采用電磁耦合技術(shù)，該技術(shù)在理想狀態(tài)下要求地面的原邊發(fā)射線(xiàn)圈與固定于車(chē)輛的副邊接收線(xiàn)圈同軸且平行。但是，在實(shí)際應(yīng)用場(chǎng)景中多易出現(xiàn)無(wú)線(xiàn)發(fā)射裝置與接收裝置存在徑向錯(cuò)位或角度偏轉(zhuǎn)的現(xiàn)象，造成無(wú)線(xiàn)傳輸功率不同程度的下降[10]。(a)同軸對(duì)齊(b)橫向錯(cuò)位(c)旋轉(zhuǎn)錯(cuò)位(d)橫向和旋轉(zhuǎn)錯(cuò)位圖1.2矩形線(xiàn)圈空間相對(duì)位置示意圖圖1.2描述了無(wú)線(xiàn)充電車(chē)輛中矩形發(fā)射線(xiàn)圈與接收線(xiàn)圈在自然狀態(tài)下可能存在的四種代表性的狀態(tài)[11,12]，分別是(a)的理想狀態(tài)下的同軸且對(duì)齊、(b)的發(fā)生橫向的錯(cuò)位、(c)的發(fā)生旋轉(zhuǎn)和(d)的發(fā)生橫向和旋轉(zhuǎn)均存在的錯(cuò)位現(xiàn)象。發(fā)射線(xiàn)圈與接收線(xiàn)圈間的錯(cuò)位將直接影響到無(wú)線(xiàn)充電中的互感系數(shù)，影響程度和受影響因素如式1.1所示。0(cossin)sin_2"""44""112sinh()sin()(,,)(,,0)22kzjkxtytgleturnijiiMekkhrrdtdk+====(1.1)41(,,)iir==(1.2)

基于深度學(xué)習(xí)的無(wú)線(xiàn)充電車(chē)位特征檢測(cè)與車(chē)輛位姿估計(jì)研究10對(duì)模板內(nèi)像素做針對(duì)性的操作，包括平均池化就是對(duì)模板內(nèi)的像素做平均值處理。如圖2.1所示為22最大池化操作示意圖，輸入443特征圖經(jīng)過(guò)22最大池化濾波器處理，輸出該大小濾波器內(nèi)的最大值，以固定步長(zhǎng)進(jìn)行滑動(dòng)處理，生成新的特征圖。圖2.1最大池化運(yùn)算示意圖2.1.3激活函數(shù)在深度神經(jīng)網(wǎng)絡(luò)中，從輸入層到輸出層的數(shù)據(jù)流動(dòng)過(guò)程就是將一種形態(tài)轉(zhuǎn)變成另外一種形態(tài)的過(guò)程，從一個(gè)維度轉(zhuǎn)化向另一個(gè)維度的變換過(guò)程，完成這種數(shù)據(jù)變換的一個(gè)重要工具就是激活函數(shù)[38](ActivationFunctions)。激活函數(shù)的主要作用就是打破之前數(shù)據(jù)的線(xiàn)性關(guān)系，針對(duì)復(fù)雜的事物和數(shù)據(jù)，多層網(wǎng)絡(luò)能夠有更強(qiáng)大的表達(dá)能力。常用的激活函數(shù)有Sigmoid、Relu和Leaky_relu函數(shù)。(1)Sigmoid激活函數(shù)數(shù)學(xué)式為：11xye=+(2.5)其形狀如圖2.2所示：


本文編號(hào)：3321156