近年來(lái),隨著人工智能特別是深度學(xué)習(xí)的發(fā)展,通過(guò)自學(xué)習(xí)實(shí)現(xiàn)機(jī)器人避障已成為一大研究熱點(diǎn)。實(shí)現(xiàn)自主學(xué)習(xí)是機(jī)器人實(shí)現(xiàn)智能化的重要一步,有利于改善機(jī)器人的行為策略,提高機(jī)器人在未知復(fù)雜的環(huán)境中的適應(yīng)性和魯棒性。卷積神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督的特征學(xué)習(xí)方法,可以從大規(guī)模數(shù)據(jù)中學(xué)習(xí)到相應(yīng)的特征。將深度卷積神經(jīng)網(wǎng)絡(luò)與移動(dòng)機(jī)器人相結(jié)合,為機(jī)器人賦予移動(dòng)大腦,實(shí)現(xiàn)智能感知、智能決策。鑒于此,本文在深入研究深度學(xué)習(xí)在控制領(lǐng)域相關(guān)應(yīng)用的基礎(chǔ)上,對(duì)利用深度學(xué)習(xí)的方法實(shí)現(xiàn)移動(dòng)機(jī)器人避障開(kāi)展了系統(tǒng)的研究。本文的主要研究工作如下:（1）基于機(jī)器人操作系統(tǒng)（ROS）搭建移動(dòng)機(jī)器人平臺(tái),實(shí)現(xiàn)底盤驅(qū)動(dòng)、遠(yuǎn)程控制及圖像顯示等功能。（2）設(shè)計(jì)基于端到端的機(jī)器人避障算法�；贏lexNet基礎(chǔ)網(wǎng)絡(luò)提出對(duì)該網(wǎng)絡(luò)的改進(jìn)模型,并且基于深度學(xué)習(xí)框架Caffe,搭建網(wǎng)絡(luò)訓(xùn)練平臺(tái)進(jìn)行模型訓(xùn)練。網(wǎng)絡(luò)以圖像作為輸入并直接輸出預(yù)測(cè)的轉(zhuǎn)向指令,包括左轉(zhuǎn)、右轉(zhuǎn)和直行。通過(guò)訓(xùn)練曲線、特征可視化及樣本測(cè)試等對(duì)網(wǎng)絡(luò)訓(xùn)練結(jié)果進(jìn)行分析,同時(shí)對(duì)模型的泛化能力進(jìn)行測(cè)試,驗(yàn)證模型的有效性。（3）將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型移植到移動(dòng)機(jī)器人平臺(tái)中。通過(guò)搭建ROS_C

【文章來(lái)源】：長(zhǎng)春理工大學(xué)吉林省

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 深度學(xué)習(xí)的發(fā)展及研究現(xiàn)狀
        1.2.2 深度學(xué)習(xí)在機(jī)器人領(lǐng)域的研究現(xiàn)狀
    1.3 論文主要研究?jī)?nèi)容
    1.4 論文結(jié)構(gòu)安排
    1.5 本章小結(jié)
第2章 基于ROS的移動(dòng)機(jī)器人系統(tǒng)搭建
    2.1 ROS概述
        2.1.1 ROS起源及發(fā)展
        2.1.2 ROS特點(diǎn)
    2.2 系統(tǒng)硬件設(shè)計(jì)
        2.2.1 系統(tǒng)結(jié)構(gòu)
        2.2.2 模塊選型
        2.2.3 雙輪差動(dòng)機(jī)器人運(yùn)動(dòng)學(xué)模型
    2.3 系統(tǒng)軟件設(shè)計(jì)
        2.3.1 軟件整體設(shè)計(jì)
        2.3.2 底盤驅(qū)動(dòng)控制
        2.3.3 遠(yuǎn)程控制
        2.3.4 圖像顯示
    2.4 本章小結(jié)
第3章 基于深度學(xué)習(xí)的避障模型設(shè)計(jì)與驗(yàn)證
    3.1 深度避障模型理論基礎(chǔ)
        3.1.1 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)
        3.1.2 激活函數(shù)
        3.1.3 SoftMax分類器
        3.1.4 深度學(xué)習(xí)框架Caffe
        3.1.5 訓(xùn)練算法
    3.2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
        3.2.1 AlexNet網(wǎng)絡(luò)模型
        3.2.2 模型優(yōu)化與改進(jìn)
    3.3 模型實(shí)驗(yàn)與分析
        3.3.1 避障數(shù)據(jù)集
        3.3.2 實(shí)驗(yàn)設(shè)置
        3.3.3 訓(xùn)練結(jié)果分析
        3.3.4 樣本測(cè)試
        3.3.5 泛化能力測(cè)試
    3.4 本章小結(jié)
第4章 模型部署測(cè)試與分析
    4.1 模型部署——ROS_Caffe
    4.2 實(shí)時(shí)測(cè)試
    4.3 Web端顯示
    4.4 實(shí)際環(huán)境測(cè)試
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]一種基于深度學(xué)習(xí)的機(jī)械臂抓取方法[J]. 杜學(xué)丹,蔡瑩皓,魯濤,王碩,閆哲.  機(jī)器人. 2017(06)
[2]基于激光與聲納傳感器的機(jī)器人避障方法研究[J]. 胡玉龍,王金祥.  山東工業(yè)技術(shù). 2017(16)
[3]基于改進(jìn)激活函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)研究[J]. 曲之琳,胡曉飛.  計(jì)算機(jī)技術(shù)與發(fā)展. 2017(12)
[4]基于開(kāi)源操作系統(tǒng)ROS的機(jī)器人軟件開(kāi)發(fā)[J]. 安峰.  單片機(jī)與嵌入式系統(tǒng)應(yīng)用. 2017(05)
[5]基于深度學(xué)習(xí)的人臉?lè)治鲅芯窟M(jìn)展[J]. 嚴(yán)嚴(yán),陳日偉,王菡子.  廈門大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(01)
[6]卷積神經(jīng)網(wǎng)絡(luò)的研究進(jìn)展綜述[J]. 楊斌,鐘金英.  南華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(03)
[7]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)
[8]深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)中的應(yīng)用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)
[9]基于ROS的機(jī)器人模型構(gòu)建方法研究[J]. 曹正萬(wàn),平雪良,陳盛龍,蔣毅.  組合機(jī)床與自動(dòng)化加工技術(shù). 2015(08)
[10]深度學(xué)習(xí)及其在目標(biāo)和行為識(shí)別中的新進(jìn)展[J]. 鄭胤,陳權(quán)崎,章毓晉.  中國(guó)圖象圖形學(xué)報(bào). 2014(02)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究[D]. 張效榮.西安電子科技大學(xué) 2015
[2]機(jī)器人穿越行為中基于深度卷積神經(jīng)網(wǎng)絡(luò)的門識(shí)別方法及應(yīng)用[D]. 陳偉.廣東工業(yè)大學(xué) 2015
[3]卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別上的應(yīng)用的研究[D]. 許可.浙江大學(xué) 2012



本文編號(hào)：3170907