駕駛決策的研究一直是無(wú)人車(chē)導(dǎo)航的一個(gè)重要研究環(huán)節(jié),很多情況下無(wú)人車(chē)需要在夜間行駛,而在夜晚光線(xiàn)較昏暗甚至無(wú)光的狀態(tài)下,通過(guò)紅外成像儀和雷達(dá)來(lái)獲取駕駛所需要的信息至關(guān)重要。通過(guò)紅外成像儀獲得的紅外圖像通常具有對(duì)比度及信噪比較低等缺陷,因此從夜間紅外圖像及雷達(dá)數(shù)據(jù)中得到可靠的信息及模型是夜間機(jī)器視覺(jué)領(lǐng)域的重點(diǎn)研究項(xiàng)目,而雷達(dá)所獲取的距離信息是無(wú)人車(chē)導(dǎo)航?jīng)Q策的重要依據(jù),并且其研究成果能夠在民用、工業(yè)、軍事等領(lǐng)域得到較好的實(shí)際應(yīng)用。角度和速度是無(wú)人車(chē)在夜間行駛的關(guān)鍵信息,因而研究無(wú)人車(chē)在夜間運(yùn)動(dòng)狀態(tài)的角度及速度信息,進(jìn)而得出相應(yīng)的駕駛決策,使得無(wú)人車(chē)能夠在黑暗環(huán)境下平穩(wěn)的行駛具有很重要的意義。本文應(yīng)用深度學(xué)習(xí)技術(shù),給出了夜間無(wú)人車(chē)的駕駛決策模型。論文主要分為三個(gè)部分:第一部分介紹了無(wú)人車(chē)駕駛決策的背景及其研究現(xiàn)狀,并闡述機(jī)器學(xué)習(xí)中的深度學(xué)習(xí)框架及其作用;第二部分為基于深度學(xué)習(xí)分類(lèi)網(wǎng)絡(luò)的無(wú)人車(chē)方向決策模型,把方向決策研究轉(zhuǎn)化為分類(lèi)問(wèn)題;第三部分在上一部分的基礎(chǔ)上加入深度估計(jì)模型,并將其結(jié)合,提出了基于深度信息的無(wú)人車(chē)速度決策模型。本論文的創(chuàng)新點(diǎn)如下:（1）將深度學(xué)習(xí)分類(lèi)的思想應(yīng)用到了無(wú)人車(chē)方向決... 

【文章來(lái)源】：東華大學(xué)上海市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：54 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

基于支持向

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是受到醫(yī)學(xué)界人類(lèi)神經(jīng)元的啟發(fā)，多個(gè)神經(jīng)元組成層級(jí)結(jié)構(gòu)最終形成網(wǎng)絡(luò)而來(lái)，我們從最基本的單位即單個(gè)神經(jīng)元來(lái)闡述，結(jié)構(gòu)如圖 2.3。圖2.3 基本神經(jīng)元模型如上圖所示，假設(shè)有n個(gè)輸入，每個(gè)輸入都要與其對(duì)應(yīng)的一個(gè)權(quán)值做乘法，再對(duì)所有乘得項(xiàng)進(jìn)行求和并加入偏置項(xiàng)來(lái)作為后面激活函數(shù)的輸入變量，最后經(jīng)過(guò)激活函數(shù)得到一個(gè)輸出值，公式（2-1）清晰的表達(dá)了解單個(gè)神經(jīng)元的運(yùn)算順序：(2-1)激活函數(shù)可以依據(jù)不同應(yīng)用的需求進(jìn)行選擇，本文下面介紹常用的三種激活函數(shù)。Sigmoid 函數(shù)、Tanh 函數(shù)及ReLU函數(shù)。 函數(shù)是比較基礎(chǔ)的，可以表示為：

真實(shí)的標(biāo)簽之間的差距，通常用符號(hào) J ( )來(lái)表示損失函數(shù)。相反的，所謂的反向傳播算法便是通過(guò)代價(jià)函數(shù)的數(shù)量來(lái)反方向流動(dòng)信息，可以計(jì)算出多層網(wǎng)絡(luò)的梯度。上述的經(jīng)典三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2.4。


本文編號(hào)：3352228