在移動(dòng)的智能體研究中,智能體對(duì)檢測(cè)范圍內(nèi)的道路作路徑規(guī)劃是關(guān)鍵的問(wèn)題之一。智能機(jī)器人的路徑規(guī)劃將會(huì)使本體準(zhǔn)確、快速、安全的到達(dá)目的地成為可能,路徑規(guī)劃中的地圖構(gòu)建和定位反映了智能體在運(yùn)動(dòng)過(guò)程中與周?chē)h(huán)境交互的能力,但智能機(jī)器在路徑規(guī)劃過(guò)程中會(huì)受到外界因素干擾,造成視覺(jué)傳感器采集的圖像模糊,影響后續(xù)路徑障礙的識(shí)別,最終導(dǎo)致路徑規(guī)劃失敗。針對(duì)上述問(wèn)題,本文首先采用圖像復(fù)原技術(shù)對(duì)受到外界因素干擾的圖像進(jìn)行去噪;其次,構(gòu)建地圖環(huán)境模型,使用卷積神經(jīng)網(wǎng)絡(luò)仿生智能算法對(duì)路徑障礙進(jìn)行識(shí)別,有效避免了傳統(tǒng)算法容錯(cuò)率低,冗余不足的缺陷;最后,利用強(qiáng)化學(xué)習(xí)決策網(wǎng)絡(luò)來(lái)進(jìn)行路徑規(guī)劃。本文將圖像復(fù)原技術(shù)應(yīng)用在智能體上,同神經(jīng)網(wǎng)絡(luò)智能算法相結(jié)合,在實(shí)驗(yàn)室仿真試驗(yàn)下研究智能體的路徑規(guī)劃問(wèn)題。首先,本文將視覺(jué)傳感器采集回來(lái)的模糊圖像(大氣湍流、風(fēng)沙揚(yáng)塵、大霧天氣)進(jìn)行盲解卷積方法去模糊和降噪處理。這改進(jìn)了以往圖像復(fù)原處理噪聲技術(shù),從直接將外界噪聲信號(hào)與原圖像像素進(jìn)行卷積的方法改為對(duì)外界噪聲環(huán)境進(jìn)行選擇性放大的處理方法,使得圖像盡可能的恢復(fù)到原有無(wú)噪聲清晰狀態(tài);其次,將處理清晰的圖像的輸入形式轉(zhuǎn)置為列向量后,輸入到深度... 

【文章來(lái)源】：內(nèi)蒙古科技大學(xué)內(nèi)蒙古自治區(qū)

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

強(qiáng)化學(xué)習(xí)決策路勁規(guī)劃方案

圖 1.1 強(qiáng)化學(xué)習(xí)決策路勁規(guī)劃方案（注：S 為當(dāng)前狀態(tài)；S’為未來(lái)時(shí)狀態(tài)；ai 為產(chǎn)生狀態(tài)的動(dòng)作；r 為糾偏值；γ為學(xué)習(xí)率）（四）機(jī)器人路徑規(guī)劃整體方案圖像通過(guò)視覺(jué)傳感器采集到 GPU，進(jìn)行圖像復(fù)原，圖像清晰的標(biāo)準(zhǔn)即能夠使得深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行障礙識(shí)別，將清晰圖像由深度學(xué)習(xí)圖像識(shí)別單元進(jìn)行處理，識(shí)別輸出值概率大于 0.7 時(shí)判斷其為障礙物，這時(shí)卷積神經(jīng)網(wǎng)絡(luò)會(huì)進(jìn)行標(biāo)記，建立障礙物數(shù)學(xué)模型，將障礙物的坐標(biāo)在建好的坐標(biāo)系中標(biāo)出，最終由強(qiáng)化學(xué)習(xí)決策網(wǎng)絡(luò)，根據(jù)識(shí)別并構(gòu)建的地圖信息來(lái)進(jìn)行路徑規(guī)劃，并通過(guò)優(yōu)化算法碰撞罰函數(shù)選出最優(yōu)線路，從而達(dá)到機(jī)器人的路徑規(guī)劃。本論文機(jī)器人路徑規(guī)劃研究的整體方案如下圖 1.2 所示。

已知類(lèi)條件概率密度參數(shù)表達(dá)式和先驗(yàn)概率，利用貝葉斯公式轉(zhuǎn)換據(jù)后驗(yàn)概率大小進(jìn)行決策分類(lèi)。原圖像被模糊后，視覺(jué)傳感器采集原的概率。觀察到的圖像部分和原有圖像有多大的概率是相似的，后，圖像處理系統(tǒng)就可以復(fù)原該張圖片。式 2.1 所表達(dá)的就是上述達(dá)的意思是上一次的復(fù)原和這一次的復(fù)原之間的聯(lián)系。下一次的圖復(fù)原圖像函數(shù)和退化部分的圖像與復(fù)原部分（上一次圖像復(fù)原的退像復(fù)原的能力）的乘積。像的退化及復(fù)原復(fù)原即利用退化過(guò)程中的經(jīng)驗(yàn)去恢復(fù)圖像，將退化的圖像恢復(fù)成原先建立退化的數(shù)學(xué)模型，根據(jù)模型對(duì)退化圖像進(jìn)行擬合[28]。圖像退化的原因很多，因此不可能得到與其系統(tǒng)完全一致的數(shù)學(xué)模中，本文采用線性空間系統(tǒng)和加入噪聲系統(tǒng)來(lái)近似地模擬圖像的復(fù)線性模型如圖 2.1 所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的人臉大數(shù)據(jù)系統(tǒng)應(yīng)用[J]. 張旭,謝鑒.  電子技術(shù)與軟件工程. 2019(03)
[2]基于深度學(xué)習(xí)的行人重識(shí)別研究進(jìn)展[J]. 羅浩,姜偉,范星,張思朋.  自動(dòng)化學(xué)報(bào). 2019(11)
[3]基于BP神經(jīng)網(wǎng)絡(luò)和證據(jù)理論的超聲檢測(cè)缺陷識(shí)別[J]. 王力,周志杰,趙福均.  電光與控制. 2018(01)
[4]Path planning of a free-floating space robot based on the degree of controllability[J]. HUANG XingHong,JIA YingHong,XU ShiJie.  Science China(Technological Sciences). 2017(02)
[5]機(jī)器人視覺(jué)方面?zhèn)鞲衅鞴偌夹g(shù)的應(yīng)用[J]. 郭福洲.  數(shù)字技術(shù)與應(yīng)用. 2016(10)
[6]視覺(jué)傳感系統(tǒng)的自主移動(dòng)機(jī)器人路徑規(guī)劃方法[J]. 趙婧,曹江濤.  傳感器與微系統(tǒng). 2016(08)
[7]機(jī)器人視覺(jué)中的障礙物優(yōu)化識(shí)別方法研究[J]. 李麗麗.  計(jì)算機(jī)仿真. 2016(06)
[8]傳感器技術(shù)在機(jī)器人視覺(jué)方面的應(yīng)用[J]. 蘆關(guān)山,齊晶薇,于淼.  電子制作. 2015(05)
[9]基于人工神經(jīng)網(wǎng)絡(luò)的移動(dòng)機(jī)器人路徑規(guī)劃研究[J]. 陳鴻旭.  電子技術(shù)與軟件工程. 2014(10)
[10]圖像恢復(fù)盲解卷積之文獻(xiàn)綜述[J]. 張蕾,常麗媛,樊冬梅.  科技資訊. 2012(21)

博士論文
[1]室外移動(dòng)機(jī)器人的道路場(chǎng)景識(shí)別及路徑規(guī)劃研究[D]. 吳宗勝.西安理工大學(xué) 2017
[2]基于盲解卷積的圖像盲復(fù)原技術(shù)研究[D]. 周籮魚(yú).中國(guó)科學(xué)院研究生院（長(zhǎng)春光學(xué)精密機(jī)械與物理研究所） 2013

碩士論文
[1]基于神經(jīng)網(wǎng)絡(luò)的移動(dòng)機(jī)器人路徑規(guī)劃方法研究[D]. 宮孟孟.哈爾濱工業(yè)大學(xué) 2017
[2]室內(nèi)移動(dòng)機(jī)器人路徑規(guī)劃與定位研究[D]. 陳鴻旭.重慶郵電大學(xué) 2016
[3]自主移動(dòng)機(jī)器人的路徑規(guī)劃算法研究[D]. 潘琪.湖南大學(xué) 2016
[4]動(dòng)態(tài)環(huán)境下自主移動(dòng)機(jī)器人路徑規(guī)劃研究[D]. 楊碩.廣東工業(yè)大學(xué) 2014
[5]輪式移動(dòng)機(jī)器人路徑規(guī)劃與跟蹤控制[D]. 劉青.南京理工大學(xué) 2014
[6]人工智能理論研究及在機(jī)器人路徑規(guī)劃中的應(yīng)用[D]. 王金寶.哈爾濱工程大學(xué) 2012
[7]自動(dòng)導(dǎo)引車(chē)路徑規(guī)劃和跟蹤控制研究[D]. 向?qū)W輔.西南交通大學(xué) 2008



本文編號(hào)：2928510