基于深度學習的三維場景下障礙物感知技術的研究與應用
發(fā)布時間：2021-10-26 18:43
科學技術的發(fā)展與關鍵技術的突破往往會解決相關領域內(nèi)的重要科學問題,從而帶動社會經(jīng)濟的蓬勃發(fā)展。得益于近些年深度學習技術的快速創(chuàng)新,許多傳統(tǒng)技術無法攻克的問題正在不斷被解決,同時硬件技術的革新和大規(guī)模數(shù)據(jù)的出現(xiàn)有助于深度學習在計算機視覺領域取得突破性的進展。在人工智能時代,無人駕駛車作為新時代人類出行的交通工具,其相關技術有著極其重要的研究意義。本文主要針對無人駕駛中復雜道路場景下的三維感知任務提出解決方案,工作重點主要包括兩個方面:檢測和追蹤。對于檢測任務,本論文對基于深度學習的3D物體檢測算法進行深入研究,在激光雷達采樣的點云數(shù)據(jù)表征方面設計了具有局部信息的綜合特征,在3D物體檢測方面提出了擁有自相關注意力機制的深度學習模型（SCANet）。對于追蹤任務,本文使用卡爾曼濾波以及匈牙利匹配算法對道路上檢測到的障礙物進行運動狀態(tài)的估計以及運動軌跡的關聯(lián)。本文的主要研究內(nèi)容以及創(chuàng)新點如下:（1）針對現(xiàn)有3D物體檢測技術中對于點云數(shù)據(jù)的表征信息挖掘不充分的問題,本文提出了一種新的特征設計方法,首先將點云數(shù)據(jù)轉化為3D體素網(wǎng)格形式,然后通過對每個網(wǎng)格的水平角度編碼引入了局部方向信息,最后將局部...
【文章來源】：西安建筑科技大學陜西省
【文章頁數(shù)】：71 頁
【學位級別】：碩士
【部分圖文】：
tanh函數(shù)
西安建筑科技大學碩士學位論文10()11xfxe=+(2-7)圖2.1sigmoid函數(shù)在Sigmoid函數(shù)的兩側有飽和區(qū)，這將導致梯度反向傳播中易出現(xiàn)梯度消失的問題。Tanh函數(shù)，如式(2-8)，該激活函數(shù)又被稱為曲線正切函數(shù)，函數(shù)取值范圍為(-1,1)，其函數(shù)形式如圖2.2所示。tanh()xxxxeexee=+(2-8)圖2.2tanh函數(shù)目前為止，深度學習中較為常用的激活函數(shù)為Relu函數(shù)，如公式(2-9)，相比與Sigmoid，Tanh，其應用更加常見，因為Relu函數(shù)的優(yōu)點在于梯度不飽和、計算快、在反向傳播中能減少梯度消失的現(xiàn)象，同時通過Relu激活后的特征能最大程度保留特征，抑制不重要的信息，如圖2.3所示。f(x)=max(0,x)(2-9)
西安建筑科技大學碩士學位論文11圖2.3relu函數(shù)2.2梯度下降算法梯度下降算法是神經(jīng)網(wǎng)絡最重要的優(yōu)化算法，目前常用的優(yōu)化算法包括一階優(yōu)化算法以及二階優(yōu)化算法[45]。梯度下降算法針對凸優(yōu)化問題，原則上是可以收斂到全局最優(yōu)點的，但是深度神經(jīng)網(wǎng)絡模型是一個非常復雜的非線性模型，屬于非凸問題，這意味著存在許多局部最優(yōu)解，因此在這個問題上需要人工調(diào)整許多參數(shù)。梯度下降是一種在優(yōu)化函數(shù)()J的梯度J()反方向上通過更新參數(shù)d來最小化優(yōu)化函數(shù)的方法，學習速率決定了梯度下降的步長，通俗的說，梯度下降遵循目標函數(shù)曲面下坡的方向，直到到達谷底。目前常見的梯度下降算法有隨機梯度下降（SGD）、動量梯度下降（Momentum）、Adam等。2.2.1Adam優(yōu)化器自適應矩估計（Adam）[46]是一種計算每個參數(shù)的自適應學習率的方法，除了累加過去時間步的平方梯度的指數(shù)衰減平均（如Adadelta和RMSprop）之外，Adam還保存了過去梯度m的指數(shù)衰減平均值，類似于動量：()1111tttmmg=+(2-10)()22121tttvvg=+(2-11)上式(2-10)和式(2-11)中，tm是梯度的一階動量的估計值，tv是梯度的二階動量的估計值，當tm和tv初始化為0向量時，它們偏向零，特別是在初始時間步長期間或者當衰減率很小的時候（例如1和2接近1）。它們通過計算偏差校正的第一和第二時刻估計來抵消這些偏差，如下式(2-12)和(2-13)：
【參考文獻】：
期刊論文
[1]深度神經(jīng)網(wǎng)絡代價函數(shù)選擇與性能評測研究[J]. 趙宏,郭萬鵬. 軟件. 2018(01)
[2]基于LM算法的MLP模型及其應用[J]. 李南星,盛益強,倪宏. 網(wǎng)絡新媒體技術. 2018(01)
[3]拓撲約束結合匈牙利算法在高密度神經(jīng)干細胞追蹤中的研究[J]. 湯春明,董莎莎,寧燕博,崔穎. 生物醫(yī)學工程學雜志. 2012(04)
碩士論文
[1]基于多激光雷達的行人目標跟蹤[D]. 羅贊豐.浙江大學 2012
本文編號：3460012
【文章來源】：西安建筑科技大學陜西省
【文章頁數(shù)】：71 頁
【學位級別】：碩士
【部分圖文】：
tanh函數(shù)
西安建筑科技大學碩士學位論文10()11xfxe=+(2-7)圖2.1sigmoid函數(shù)在Sigmoid函數(shù)的兩側有飽和區(qū)，這將導致梯度反向傳播中易出現(xiàn)梯度消失的問題。Tanh函數(shù)，如式(2-8)，該激活函數(shù)又被稱為曲線正切函數(shù)，函數(shù)取值范圍為(-1,1)，其函數(shù)形式如圖2.2所示。tanh()xxxxeexee=+(2-8)圖2.2tanh函數(shù)目前為止，深度學習中較為常用的激活函數(shù)為Relu函數(shù)，如公式(2-9)，相比與Sigmoid，Tanh，其應用更加常見，因為Relu函數(shù)的優(yōu)點在于梯度不飽和、計算快、在反向傳播中能減少梯度消失的現(xiàn)象，同時通過Relu激活后的特征能最大程度保留特征，抑制不重要的信息，如圖2.3所示。f(x)=max(0,x)(2-9)
西安建筑科技大學碩士學位論文11圖2.3relu函數(shù)2.2梯度下降算法梯度下降算法是神經(jīng)網(wǎng)絡最重要的優(yōu)化算法，目前常用的優(yōu)化算法包括一階優(yōu)化算法以及二階優(yōu)化算法[45]。梯度下降算法針對凸優(yōu)化問題，原則上是可以收斂到全局最優(yōu)點的，但是深度神經(jīng)網(wǎng)絡模型是一個非常復雜的非線性模型，屬于非凸問題，這意味著存在許多局部最優(yōu)解，因此在這個問題上需要人工調(diào)整許多參數(shù)。梯度下降是一種在優(yōu)化函數(shù)()J的梯度J()反方向上通過更新參數(shù)d來最小化優(yōu)化函數(shù)的方法，學習速率決定了梯度下降的步長，通俗的說，梯度下降遵循目標函數(shù)曲面下坡的方向，直到到達谷底。目前常見的梯度下降算法有隨機梯度下降（SGD）、動量梯度下降（Momentum）、Adam等。2.2.1Adam優(yōu)化器自適應矩估計（Adam）[46]是一種計算每個參數(shù)的自適應學習率的方法，除了累加過去時間步的平方梯度的指數(shù)衰減平均（如Adadelta和RMSprop）之外，Adam還保存了過去梯度m的指數(shù)衰減平均值，類似于動量：()1111tttmmg=+(2-10)()22121tttvvg=+(2-11)上式(2-10)和式(2-11)中，tm是梯度的一階動量的估計值，tv是梯度的二階動量的估計值，當tm和tv初始化為0向量時，它們偏向零，特別是在初始時間步長期間或者當衰減率很小的時候（例如1和2接近1）。它們通過計算偏差校正的第一和第二時刻估計來抵消這些偏差，如下式(2-12)和(2-13)：
【參考文獻】：
期刊論文
[1]深度神經(jīng)網(wǎng)絡代價函數(shù)選擇與性能評測研究[J]. 趙宏,郭萬鵬. 軟件. 2018(01)
[2]基于LM算法的MLP模型及其應用[J]. 李南星,盛益強,倪宏. 網(wǎng)絡新媒體技術. 2018(01)
[3]拓撲約束結合匈牙利算法在高密度神經(jīng)干細胞追蹤中的研究[J]. 湯春明,董莎莎,寧燕博,崔穎. 生物醫(yī)學工程學雜志. 2012(04)
碩士論文
[1]基于多激光雷達的行人目標跟蹤[D]. 羅贊豐.浙江大學 2012
本文編號：3460012
本文鏈接：http://sikaile.net/kejilunwen/shengwushengchang/3460012.html
最近更新
教材專著
