论文部分内容阅读
近年来,随着人工智能特别是深度学习的发展,通过自学习实现机器人避障已成为一大研究热点。实现自主学习是机器人实现智能化的重要一步,有利于改善机器人的行为策略,提高机器人在未知复杂的环境中的适应性和鲁棒性。卷积神经网络是一种有监督的特征学习方法,可以从大规模数据中学习到相应的特征。将深度卷积神经网络与移动机器人相结合,为机器人赋予移动大脑,实现智能感知、智能决策。鉴于此,本文在深入研究深度学习在控制领域相关应用的基础上,对利用深度学习的方法实现移动机器人避障开展了系统的研究。本文的主要研究工作如下:(1)基于机器人操作系统(ROS)搭建移动机器人平台,实现底盘驱动、远程控制及图像显示等功能。(2)设计基于端到端的机器人避障算法。基于AlexNet基础网络提出对该网络的改进模型,并且基于深度学习框架Caffe,搭建网络训练平台进行模型训练。网络以图像作为输入并直接输出预测的转向指令,包括左转、右转和直行。通过训练曲线、特征可视化及样本测试等对网络训练结果进行分析,同时对模型的泛化能力进行测试,验证模型的有效性。(3)将训练好的神经网络模型移植到移动机器人平台中。通过搭建ROS_Caffe,将训练好的深度学习模型与机器人操作系统(ROS)结合起来,从而高效快速地实现深度学习与机器人软硬件的衔接。同时,搭建了Web端界面,以便在远程端通过浏览器实时查看网络的输入图像与模型预测输出结果。此外,通过实际场景测试,机器人观测的环境信息由训练好的模型计算处理后能较好的输出预测指令,能够规划合理的路线进行避障,在实验中具有较高的避障成功率。而且,对其他障碍物的测试实验证明了本文训练的模型具有一定的泛化能力。