論文以地面和空中無人平臺為應(yīng)用背景,通過借鑒動物感知環(huán)境的機(jī)理和運(yùn)動行為決策機(jī)制,重點(diǎn)開展基于導(dǎo)航拓?fù)鋱D的仿生節(jié)點(diǎn)遞推導(dǎo)航方法研究,旨在解決無衛(wèi)星導(dǎo)航信號下的自主導(dǎo)航難題。論文的主要研究工作和研究成果總結(jié)如下:（1）為提升對拓?fù)涔?jié)點(diǎn)區(qū)域場景特征識別的準(zhǔn)確率,研究了采用卷積神經(jīng)網(wǎng)絡(luò)對場景特征進(jìn)行魯棒表達(dá)的方法。首先,提出了一種在卷積神經(jīng)網(wǎng)絡(luò)中使用多尺度池化來構(gòu)建特征金字塔的方法。其次,基于構(gòu)建的特征金字塔設(shè)計了兩種表達(dá)場景特征的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。第一種結(jié)構(gòu)針對串聯(lián)的卷積層僅能提取單一尺度特征的問題,提出采用一個卷積層來融合金字塔中的多尺度特征,以提升網(wǎng)絡(luò)對場景表達(dá)的準(zhǔn)確性。第二種網(wǎng)絡(luò)結(jié)構(gòu)為抑制場景中非地標(biāo)特征的影響,采用了兩個卷積層來構(gòu)建了一個注意力模塊。該模塊能夠結(jié)合金字塔中的多尺度特征來評估圖像中不同區(qū)域的局部特征在場景表達(dá)中的權(quán)重,從而實(shí)現(xiàn)對非地標(biāo)特征的抑制。最后,實(shí)驗(yàn)結(jié)果表明采用提出的兩種網(wǎng)絡(luò)結(jié)構(gòu)對場景特征進(jìn)行表達(dá)時,能夠有效提升對場景特征識別的準(zhǔn)確率。（2）針對現(xiàn)有里程計軌跡–道路網(wǎng)絡(luò)圖匹配定位方法的定位響應(yīng)時間長、場景識別定位方法魯棒性差等缺點(diǎn),提出了一種基于道路網(wǎng)絡(luò)圖和節(jié)點(diǎn)... 

【文章來源】：國防科技大學(xué)湖南省 211工程院校 985工程院校

【文章頁數(shù)】：152 頁

【學(xué)位級別】：博士

【部分圖文】：

信鴿返巢路線沿途節(jié)點(diǎn)區(qū)域示意圖

[21]，但具體的細(xì)胞激活機(jī)制則有待進(jìn)一步研究；在對位置細(xì)胞進(jìn)行連續(xù)掃描時還發(fā)現(xiàn)，當(dāng)一個位置細(xì)胞被激活時，會引起其它的位置細(xì)胞短暫的激活，研究人員認(rèn)為這與動物的導(dǎo)航行為決策和認(rèn)知地圖修正相關(guān)[98,99]。對動物導(dǎo)航行為的研究使人類對動物導(dǎo)航機(jī)制的理解進(jìn)一步加深。在對信鴿的返巢路線進(jìn)行研究時發(fā)現(xiàn)，在同一地點(diǎn)多次釋放后的信鴿并不是直接的飛向鴿房，而是會依次經(jīng)過一些節(jié)點(diǎn)區(qū)域返巢[25,100]，如圖1.1所示。進(jìn)一步研究發(fā)現(xiàn)，這些節(jié)點(diǎn)區(qū)域所具有的視覺特征顯著[26]。例如，樹林或村莊的邊緣、鄉(xiāng)村公路的交叉口等。圖1.2中的軌跡是同一信鴿經(jīng)多次釋放后的返巢路線[26]�？梢钥吹斤w行軌跡在道路轉(zhuǎn)盤處匯合，這表明信鴿的認(rèn)識地圖中記錄了環(huán)境中的地標(biāo)特征，并且在導(dǎo)航階段能夠主動的飛越該地標(biāo)特征來確定自身位置。在對螞蟻[29,101]、蜜蜂[102]、蝙蝠[103,104]等動物的導(dǎo)航行為進(jìn)行研究時，也發(fā)現(xiàn)了相似的節(jié)點(diǎn)遞推導(dǎo)航行為。圖1.2信鴿返巢沿途地標(biāo)特征示意圖根據(jù)在動物導(dǎo)航細(xì)胞和導(dǎo)航行為方面的研究成果，研究人員提出了多種應(yīng)用于無人平臺的節(jié)點(diǎn)遞推仿生導(dǎo)航模型和算法。Milford等提出的RatSLAM算法[74,75]采用了一個吸引子（CAN）網(wǎng)絡(luò)來模擬場景特征和路徑積分對位置胞的激活過程，并在地面無人平臺上成功實(shí)現(xiàn)了大范圍的導(dǎo)航拓?fù)鋱D構(gòu)建和自主定位實(shí)驗(yàn)。

間隔，采用移動窗口的方式對輸入的三維張量進(jìn)行卷積。卷積運(yùn)算可以表示為：,,+1=∑+1+,+++1，其中0≤,<(2.1)式(2.1)中(,)表示三維張量的行列坐標(biāo)，也被稱為空間坐標(biāo)（spatialcoordinate）；表示三維張量的通道（channel）序號；+1表示第+1個卷積層中的第個卷積核，+1為與該卷積核對應(yīng)的偏置；表示卷積核的大��；是進(jìn)行卷積運(yùn)算時的滑窗間隔。輸入數(shù)據(jù)經(jīng)卷積運(yùn)算后，再經(jīng)神經(jīng)元激活函數(shù)即可得到輸出的神經(jīng)元激活態(tài)。在AlexNet中采用的是ReLU激活函數(shù)，表達(dá)式為：+1=(+1)=max(0,+1)(2.2)圖2.2卷積運(yùn)算示意圖由式(2.1)可知，輸出數(shù)據(jù)+1中(,)網(wǎng)格處的神經(jīng)元激活態(tài)是不同的卷積核與輸入數(shù)據(jù)的同一局部區(qū)域作卷積運(yùn)算后得到的，如圖2.2所示。輸出神經(jīng)元的激活態(tài)僅與輸入圖像的局部信息相關(guān)，這在深度學(xué)習(xí)中被稱為“局部感知”。每一個神經(jīng)元感知的局部圖像區(qū)域被稱為該神經(jīng)元的“感受野”（PerceptiveField）。雖然卷積核僅作用于局部圖像，但將卷積核按設(shè)置的步長進(jìn)行滑動窗口運(yùn)算后，就實(shí)現(xiàn)了對整幅輸入圖像的卷積運(yùn)算。卷積核在對輸入圖像的不同區(qū)域進(jìn)行卷積運(yùn)算時，卷積核參數(shù)保持不變，這個過程被稱之為“參數(shù)共享”。卷積層通常也被稱之為特征提取層，卷積層的輸出也被稱為特征圖（FeatureMap）。隨著卷積層的深入，其提取的特征也逐漸從底層的點(diǎn)、線特征逐步過渡到抽象的語義特征，如圖2.1所示。（2）局部歸一化層

【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機(jī)學(xué)報. 2017(06)
[2]一種基于海馬認(rèn)知機(jī)理的仿生機(jī)器人認(rèn)知地圖構(gòu)建方法[J]. 于乃功,苑云鶴,李倜,蔣曉軍,羅子維.  自動化學(xué)報. 2018(01)
[3]一種改進(jìn)的RatSLAM仿生導(dǎo)航算法[J]. 張瀟,胡小平,張禮廉,馬濤,王玉杰.  導(dǎo)航與控制. 2015 (05)
[4]粒子濾波綜述[J]. 呂德潮,范江濤,韓剛甕,馬冠一.  天文研究與技術(shù). 2013(04)
[5]基于粒子群算法的地磁匹配航跡規(guī)劃[J]. 焦巍,劉光斌,張金生,張博.  系統(tǒng)工程理論與實(shí)踐. 2010(11)
[6]適用航空的地形匹配導(dǎo)航算法研究[J]. 吳康,趙龍.  壓電與聲光. 2010(05)
[7]無人飛行器航跡規(guī)劃方法綜述[J]. 王維平,劉娟.  飛行力學(xué). 2010(02)
[8]飛行器航跡規(guī)劃研究現(xiàn)狀與趨勢[J]. 鄭昌文,嚴(yán)平,丁明躍,蘇康.  宇航學(xué)報. 2007(06)
[9]相關(guān)地磁匹配定位技術(shù)[J]. 劉飛,周賢高,楊曄,李士心.  中國慣性技術(shù)學(xué)報. 2007(01)
[10]數(shù)字磁羅盤的研制[J]. 熊劍,劉建業(yè),孫永榮,李榮冰.  傳感器技術(shù). 2004(08)

博士論文
[1]基于路網(wǎng)的路徑規(guī)劃問題研究[D]. 劉輝平.華東師范大學(xué) 2018
[2]基于導(dǎo)航拓?fù)鋱D的仿生導(dǎo)航方法研究[D]. 范晨.國防科技大學(xué) 2018
[3]多目偏振視覺仿生導(dǎo)航方法研究[D]. 王玉杰.國防科技大學(xué) 2017
[4]基于位置約束和航向約束的仿生導(dǎo)航方法研究[D]. 馬濤.國防科學(xué)技術(shù)大學(xué) 2016
[5]基于拓?fù)鋱D節(jié)點(diǎn)遞推的自主導(dǎo)航方法研究[D]. 先治文.國防科學(xué)技術(shù)大學(xué) 2016
[6]水下地磁導(dǎo)航適配性研究[D]. 王鵬.國防科學(xué)技術(shù)大學(xué) 2014
[7]交通約束下的行車最優(yōu)路徑規(guī)劃[D]. 張照生.清華大學(xué) 2013
[8]面向INS/SAR組合導(dǎo)航的SAR景象區(qū)域適配性研究[D]. 卜彥龍.國防科學(xué)技術(shù)大學(xué) 2009



本文編號：3386604