近年來,隨著人工智能特別是深度學(xué)習(xí)的發(fā)展,通過自學(xué)習(xí)實現(xiàn)機器人避障已成為一大研究熱點。實現(xiàn)自主學(xué)習(xí)是機器人實現(xiàn)智能化的重要一步,有利于改善機器人的行為策略,提高機器人在未知復(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)與移動機器人相結(jié)合,為機器人賦予移動大腦,實現(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,對利用深度學(xué)習(xí)的方法實現(xiàn)移動機器人避障開展了系統(tǒng)的研究。本文的主要研究工作如下:（1）基于機器人操作系統(tǒng)（ROS）搭建移動機器人平臺,實現(xiàn)底盤驅(qū)動、遠程控制及圖像顯示等功能。（2）設(shè)計基于端到端的機器人避障算法。基于AlexNet基礎(chǔ)網(wǎng)絡(luò)提出對該網(wǎng)絡(luò)的改進模型,并且基于深度學(xué)習(xí)框架Caffe,搭建網(wǎng)絡(luò)訓(xùn)練平臺進行模型訓(xùn)練。網(wǎng)絡(luò)以圖像作為輸入并直接輸出預(yù)測的轉(zhuǎn)向指令,包括左轉(zhuǎn)、右轉(zhuǎn)和直行。通過訓(xùn)練曲線、特征可視化及樣本測試等對網(wǎng)絡(luò)訓(xùn)練結(jié)果進行分析,同時對模型的泛化能力進行測試,驗證模型的有效性。（3）將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型移植到移動機器人平臺中。通過搭建ROS_C

【文章來源】：長春理工大學(xué)吉林省

【文章頁數(shù)】：65 頁

【學(xué)位級別】：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)在機器人領(lǐng)域的研究現(xiàn)狀
    1.3 論文主要研究內(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的移動機器人系統(tǒng)搭建
    2.1 ROS概述
        2.1.1 ROS起源及發(fā)展
        2.1.2 ROS特點
    2.2 系統(tǒng)硬件設(shè)計
        2.2.1 系統(tǒng)結(jié)構(gòu)
        2.2.2 模塊選型
        2.2.3 雙輪差動機器人運動學(xué)模型
    2.3 系統(tǒng)軟件設(shè)計
        2.3.1 軟件整體設(shè)計
        2.3.2 底盤驅(qū)動控制
        2.3.3 遠程控制
        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)計與驗證
    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
        3.2.1 AlexNet網(wǎng)絡(luò)模型
        3.2.2 模型優(yōu)化與改進
    3.3 模型實驗與分析
        3.3.1 避障數(shù)據(jù)集
        3.3.2 實驗設(shè)置
        3.3.3 訓(xùn)練結(jié)果分析
        3.3.4 樣本測試
        3.3.5 泛化能力測試
    3.4 本章小結(jié)
第4章 模型部署測試與分析
    4.1 模型部署——ROS_Caffe
    4.2 實時測試
    4.3 Web端顯示
    4.4 實際環(huán)境測試
    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
致謝


【參考文獻】：
期刊論文
[1]一種基于深度學(xué)習(xí)的機械臂抓取方法[J]. 杜學(xué)丹,蔡瑩皓,魯濤,王碩,閆哲.  機器人. 2017(06)
[2]基于激光與聲納傳感器的機器人避障方法研究[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.  計算機技術(shù)與發(fā)展. 2017(12)
[4]基于開源操作系統(tǒng)ROS的機器人軟件開發(fā)[J]. 安峰.  單片機與嵌入式系統(tǒng)應(yīng)用. 2017(05)
[5]基于深度學(xué)習(xí)的人臉分析研究進展[J]. 嚴嚴,陳日偉,王菡子.  廈門大學(xué)學(xué)報(自然科學(xué)版). 2017(01)
[6]卷積神經(jīng)網(wǎng)絡(luò)的研究進展綜述[J]. 楊斌,鐘金英.  南華大學(xué)學(xué)報(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.  計算機應(yīng)用. 2016(09)
[8]深度卷積神經(jīng)網(wǎng)絡(luò)在計算機視覺中的應(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的機器人模型構(gòu)建方法研究[J]. 曹正萬,平雪良,陳盛龍,蔣毅.  組合機床與自動化加工技術(shù). 2015(08)
[10]深度學(xué)習(xí)及其在目標和行為識別中的新進展[J]. 鄭胤,陳權(quán)崎,章毓晉.  中國圖象圖形學(xué)報. 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]機器人穿越行為中基于深度卷積神經(jīng)網(wǎng)絡(luò)的門識別方法及應(yīng)用[D]. 陳偉.廣東工業(yè)大學(xué) 2015
[3]卷積神經(jīng)網(wǎng)絡(luò)在圖像識別上的應(yīng)用的研究[D]. 許可.浙江大學(xué) 2012



本文編號：3170907