無人駕駛汽車、智能機床、智能機器人、智能電子皮膚等典型智能主體為現(xiàn)代社會發(fā)展提供了方便和支持,面對日益復(fù)雜的消費需求、制造工藝、多變復(fù)雜環(huán)境等多重因素影響,傳統(tǒng)智能主體采用單物理域自主感知方法不足以因應(yīng)這種復(fù)雜、高緯度、快速變化、非線性和不確定性的動態(tài)變化作用。為了避免復(fù)雜環(huán)境和條件下智能主體不準(zhǔn)確甚至錯誤感知結(jié)果影響后續(xù)的自主推理、自主判斷、自主學(xué)習(xí)、自主決策等智能能力的發(fā)揮,因此需要在采集穩(wěn)定高質(zhì)量的多模態(tài)信息前提之下,利用多物理域信息之間的互補關(guān)系、耦合關(guān)系等,通過信息融合恢復(fù)和重建因環(huán)境復(fù)雜多變帶來的信息干擾和破壞,并對多物理域信息采用多種模式從多測度進行感知,提高感知的準(zhǔn)確性和穩(wěn)定性。針對了智能主體多模態(tài)信息融合問題,構(gòu)建信息場與多物理域信息模型,闡述視覺模態(tài)和非視覺模態(tài)下大容量信息采集、并行處理、時頻域分析與處理方法,提出基于圖像質(zhì)量最佳的機器視覺成像優(yōu)化方法。該方法在Gopro和kohler測試基準(zhǔn)上均取得當(dāng)前最佳水平,目標(biāo)識別準(zhǔn)確率提高0.15mAP。并且對智能主體多物理域多模態(tài)信息并行融合問題,構(gòu)建多物理域多模態(tài)信息多模式并行融合模型,提出基于改進變分自編碼器的多物理... 

【文章頁數(shù)】：121 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題來源
    1.2 課題背景及意義
    1.3 國內(nèi)外研究發(fā)展現(xiàn)狀與趨勢
    1.4 擬解決的主要問題
    1.5 主要研究內(nèi)容及目標(biāo)
        1.5.1 研究內(nèi)容
        1.5.2 研究目標(biāo)
    1.6 主要特色及創(chuàng)新
    1.7 論文結(jié)構(gòu)
第2章 智能主體及自主感知問題描述與建模
    2.1 概述
    2.2 智能汽車與無人駕駛汽車及其應(yīng)用環(huán)境的特性分析
        2.2.1 智能汽車及其運動行駛、駕駛與安全特性
        2.2.2 智能汽車應(yīng)用場景的環(huán)境特性
        2.2.3 無人駕駛汽車及其運動、駕駛與安全特性
        2.2.4 無人駕駛汽車應(yīng)用場景的環(huán)境特性
        2.2.5 自主感知對無人駕駛汽車應(yīng)對復(fù)雜環(huán)境的重要性及作用機制
        2.2.6 無人駕駛汽車的技術(shù)體系及關(guān)鍵技術(shù)
    2.3 基于智能機器的復(fù)雜制造問題及其求解機制分析
        2.3.1 傳統(tǒng)制造方法應(yīng)對復(fù)雜制造問題的局限性
        2.3.2 智能制造及智能機器的提出
        2.3.3 智能機器的技術(shù)體系及關(guān)鍵共性技術(shù)
        2.3.4 智能制造模式下復(fù)雜制造問題求解模型及主要機制
    2.4 傳統(tǒng)智能機器在面臨復(fù)雜問題與環(huán)境時的不足與局限性分析
    2.5 智能主體的提出及模型構(gòu)建
    2.6 智能主體自主感知問題的描述與建模
        2.6.1 復(fù)雜問題及環(huán)境對智能主體自主感知的要求
        2.6.2 自主感知對智能主體智能能力及行為的形成機制
        2.6.3 智能主體自主感知的定義與內(nèi)容
        2.6.4 人類感知機理及其對人腦思考推理決策的作用與影響
        2.6.5 多模態(tài)信息(非視覺與視覺模態(tài))的獲取與處理及融合對自主感知的作用
        2.6.6 智能主體自主感知模型
    2.7 智能主體自主感知解決方案
    2.8 本章小結(jié)
第3章 面向智能主體自主感知的多物理域多模態(tài)信息并行融合方法研究
    3.1 概述
    3.2 信息場與多物理域信息及其模型構(gòu)建
        3.2.1 面向?qū)ο蠹捌洵h(huán)境的信息場及其模型
        3.2.2 多物理域與多模態(tài)信息
        3.2.3 非視覺模態(tài)信息及其表征
        3.2.4 視覺模態(tài)信息及其表征
        3.2.5 非視覺模態(tài)下單一物理域多傳感器信息場模型
        3.2.6 視覺模態(tài)下多物理域信息場模型
        3.2.7 多模態(tài)下跨物理域信息場統(tǒng)一模型
    3.3 多物理域信息獲取與多模態(tài)信息融合問題分析描述及解決思路
        3.3.1 多物理域信息獲取及其作用
        3.3.2 多模態(tài)信息融合及其作用
        3.3.3 大容量信息的并行處理融合
        3.3.4 基本解決思路
    3.4 非視覺模態(tài)下多物理域信息獲取與處理方法
        3.4.1 基本原理及主要過程
        3.4.2 高并發(fā)數(shù)據(jù)采集處理機制
        3.4.3 單一物理域與跨物理域下多傳感器的布局與信息采集
        3.4.4 跨物理域多傳感器的布局與信息采集
        3.4.5 多物理域非視覺模態(tài)信息的時域處理與分析
        3.4.6 多物理域非視覺模態(tài)信息的頻域處理與分析
    3.5 視覺模態(tài)下多物理域信息獲取與處理方法
        3.5.1 基本原理及主要過程
        3.5.2 基于圖像質(zhì)量最佳的機器視覺成像優(yōu)化方法及系統(tǒng)
        3.5.3 基于時間片輪轉(zhuǎn)調(diào)度算法的大容量圖像并行處理方法
        3.5.4 基于視覺模態(tài)信息的多物理域多維特征提取方法
    3.6 多物理域多模態(tài)信息多模式并行融合機理及模型
        3.6.1 幾種信息融合方法的比較分析
        3.6.2 人腦認知科學(xué)及其神經(jīng)生物學(xué)機制給予信息融合的啟示
        3.6.3 多物理域多模態(tài)信息多模式并行融合機理與模型
    3.7 基于改進變分自編碼器的多物理域多模態(tài)信息融合方法
        3.7.1 實時感知及其對信息融合的要求
        3.7.2 常規(guī)變分自編碼器(VAE,Variational Autoencoder)及其應(yīng)用與優(yōu)劣勢分析
        3.7.3 變分自編碼器的改進思路
        3.7.4 基于改進VAE的多模態(tài)信息融合算法設(shè)計實現(xiàn)及過程
        3.7.5 利用改進VAE的多物理域多模態(tài)信息融合仿真試驗與結(jié)果分析
    3.8 本章小結(jié)
第4章 基于條件對抗學(xué)習(xí)的智能主體多模式自主感知方法研究
    4.1 概述
    4.2 自主感知及其作用機制分析
    4.3 智能主體領(lǐng)域知識庫系統(tǒng)構(gòu)建方法
        4.3.1 領(lǐng)域知識的定義及內(nèi)涵
        4.3.2 領(lǐng)域知識的表述和獲取方法
    4.4 基于條件對抗的改進學(xué)習(xí)算法
        4.4.1 典型學(xué)習(xí)算法比較分析及局限性
        4.4.2 學(xué)習(xí)算法改進原理及思路
    4.5 基于條件對抗學(xué)習(xí)的隱馬爾可夫鏈改進卷積神經(jīng)網(wǎng)絡(luò)自主感知方法
        4.5.1 典型深度學(xué)習(xí)算法的比較分析及其局限性與不足
        4.5.2 隱馬爾可夫鏈(HMM)及其在信息預(yù)測與動態(tài)感知中的作用
        4.5.3 利用隱馬爾可夫鏈改進卷積神經(jīng)網(wǎng)絡(luò)的思路及其對實現(xiàn)多模態(tài)信息融合的機理
        4.5.4 基于隱馬爾可夫鏈改進卷積神經(jīng)網(wǎng)絡(luò)的自主感知算法設(shè)計實現(xiàn)及過程
        4.5.5 采用傳統(tǒng)深度學(xué)習(xí)算法和條件對抗學(xué)習(xí)仿真結(jié)果及比較分析
    4.6 本章小結(jié)
第5章 基于多模態(tài)信息并行融合和多模式自主感知的無人駕駛汽車主動環(huán)境感知方法及系統(tǒng)研究
    5.1 概述
    5.2 基本原理和思路
    5.3 基于無人駕駛汽車及其應(yīng)用場景的特性分析與建模
        5.3.1 無人駕駛對自主感知的需求
        5.3.2 擬應(yīng)用場景
    5.4 無人駕駛汽車自主感知模型及機理
        5.4.1 基于多傳感器信息多模式融合的無人駕駛汽車自主感知模型
        5.4.2 感知機理及過程
    5.5 基于多模式自主感知專家系統(tǒng)構(gòu)建
        5.5.1 基于條件對抗學(xué)習(xí)的優(yōu)化成像專家系統(tǒng)構(gòu)建
        5.5.2 基于條件對抗學(xué)習(xí)的多模態(tài)信息融合專家系統(tǒng)構(gòu)建
        5.5.3 基于條件對抗學(xué)習(xí)的目標(biāo)識別專家系統(tǒng)構(gòu)建
        5.5.4 基于條件對抗學(xué)習(xí)的圖像語義分割專家系統(tǒng)構(gòu)建
        5.5.5 基于條件對抗學(xué)習(xí)的單目深度估計專家系統(tǒng)構(gòu)建
    5.6 算法仿真與結(jié)果分析
        5.6.1 基于條件對抗學(xué)習(xí)的優(yōu)化成像專家系統(tǒng)仿真
        5.6.2 基于條件對抗學(xué)習(xí)的圖像語義分割專家系統(tǒng)仿真
        5.6.3 基于條件對抗學(xué)習(xí)的單目深度估計專家系統(tǒng)仿真
        5.6.4 基于條件對抗學(xué)習(xí)的多傳感器信息多模式融合自主感知方法仿真分析
    5.7 本章小結(jié)
第6章 智能主體自主感知試驗研究——以無人駕駛汽車模擬仿真試驗為例
    6.1 概述
    6.2 智能主體自主感知模擬實驗裝置搭建
        6.2.1 系統(tǒng)目標(biāo)
        6.2.2 系統(tǒng)功能設(shè)計
        6.2.3 硬件結(jié)構(gòu)
        6.2.4 硬件選型及校核
        6.2.5 軟件結(jié)構(gòu)
    6.3 試驗系統(tǒng)運行
        6.3.1 試驗沙盤無人駕駛小車地圖構(gòu)建與自主導(dǎo)航
        6.3.2 試驗系統(tǒng)界面
        6.3.3 試驗系統(tǒng)沙盤運行結(jié)果
    6.4 本章小結(jié)
第7章 總結(jié)與展望
    7.1 總結(jié)
    7.2 展望
參考文獻
致謝
攻讀碩士學(xué)位期間的研究成果


【參考文獻】：
期刊論文
[1]中國制造2025與工業(yè)4.0對比解析及中國汽車產(chǎn)業(yè)應(yīng)對策略[J]. 趙福全,劉宗巍,史天澤.  科技進步與對策. 2017(14)
[2]人工智能在智能制造領(lǐng)域的應(yīng)用研究（英文）[J]. Bo-hu LI,Bao-cun HOU,Wen-tao YU,Xiao-bing LU,Chun-wei YANG.  Frontiers of Information Technology ＆ Electronic Engineering. 2017(01)
[3]一種離散連續(xù)混成的時空事件驅(qū)動的CPS體系架構(gòu)[J]. 趙紅專,孫棣華,程森林,趙敏.  哈爾濱工業(yè)大學(xué)學(xué)報. 2016(09)
[4]智能制造與工業(yè)4.0、數(shù)字化制造的異同[J]. 劉檢華.  國防制造技術(shù). 2016(03)
[5]Shared and Service-oriented CNC Machining System for Intelligent Manufacturing Process[J]. LI Yao,LIU Qiang,TONG Ronglei,CUI Xiaohong.  Chinese Journal of Mechanical Engineering. 2015(06)
[6]可拓學(xué)的基礎(chǔ)理論與方法體系[J]. 蔡文,楊春燕.  科學(xué)通報. 2013(13)
[7]美國“先進制造業(yè)國家戰(zhàn)略計劃”對我國的啟示[J]. 左世全.  經(jīng)濟. 2012(06)
[8]多Agent系統(tǒng)研究綜述[J]. 張少蘋,戴鋒,王成志,張覃.  復(fù)雜系統(tǒng)與復(fù)雜性科學(xué). 2011(04)
[9]MAS中Agent協(xié)作機制的研究[J]. 蔣爾諾,史有群.  微計算機信息. 2011(04)
[10]數(shù)控設(shè)備Agent化方法及其應(yīng)用研究[J]. 肖波,程濤.  組合機床與自動化加工技術(shù). 2010(02)



本文編號：3697805