【技术实现步骤摘要】
基于语义分割的障碍物尺寸预测与不确定性分析方法
[0001]本专利技术涉及一种基于语义分割的障碍物尺寸预测与不确定性分析方法。
技术介绍
[0002]随着人工智能技术的迅速发展,移动机器人广泛应用于各个领域。人们采用移动机器人替代人类前往复杂且危险的环境中完成作业任务,移动机器人的工作场合也越来越多地面向非结构化环境,因此,这也对移动机器人的自主性和智能性提出了更高的要求。移动机器人能够通过自身传感器获取周围环境信息和自身状态,实现在有障碍物的环境中向目标移动,并完成特定任务。随着移动机器人应用领域的复杂性不断增加,高效的环境感知成为了移动机器人避障导航和路径规划的前提。
[0003]为了提高移动机器人环境感知的能力,很多国内外学者都开展了相关的研究。T.Ran等人提出了一种低成本的仅基于视觉的感知方式来实现室内移动机器人的导航方法,通过在静态和动态未知环境中进行广泛的实验,证明了所提出的导航方法的能力和稳健性。Rouveure等人采用微波雷达替代传统光学传感器对移动机器人周围环境进行感知,包括障碍物探测、测绘和一般 ...
【技术保护点】
【技术特征摘要】
1.一种基于语义分割的障碍物尺寸预测与不确定性分析方法,其特征在于,包括以下步骤:步骤一:搭建基于语义分割的障碍物图像信息获取平台,从原始图像中分割出障碍物的区域,并获取障碍物的位置、最大像素宽度和最大像素高度;步骤二:利用差分进化算法结合麻雀优化算法DE
‑
SSA优化广义回归神经网络GRNN的平滑因子,构建以障碍物最大像素宽度、最大像素高度和障碍物到摄像机的距离为输入参数,以障碍物最大实际宽度和最大实际高度为输出参数的障碍物尺寸预测模型;步骤三:采用非参数核密度估计NPKDE量化障碍物尺寸预测误差分布,如果障碍物实际尺寸值不在预测值的置信区间内,则反过来调整GRNN模型的光滑因子,直至障碍物实际尺寸在预测值的置信区间内;步骤四:将步骤一中得到的障碍物最大像素宽度、最大像素高度和通过测距传感器得到的障碍物到摄像机的距离输入到障碍物尺寸预测模型中,获得障碍物最大实际宽度和最大实际高度。2.根据权利要求1所述的基于语义分割的障碍物尺寸预测与不确定性分析方法,其特征在于,所述步骤一中,通过摄像机获取障碍物RGB图像,对获取的RGB图像进行数据集标注,然后训练语义分割模型,再采用训练好的模型识别障碍物,最终提取障碍物的轮廓,同时获取障碍物的像素尺寸信息,具体过程为:(1
‑
1)图像预处理:选择若干张RGB图像文件作为数据样本集,采用Deep Learning Tool 0.6.2工具箱对图片进行标注,标注后图片有3个标签,分别为背景、障碍物、地面;(1
‑
2)拆分数据集:采用split_dl_dataset算子将图片数据集拆分成训练、验证和测试数据集,比率设置为70:15:15;(1
‑
3)设置参数:选择pretrained_dl_segmentation_enhanced.hdl为网络的预训练模型,设置图像处理参数,在预处理过程中,所有图像都被缩放到“图像宽度”和“图像高度”中设置的值,所有模型均使用RGB图像进行预训练;采用set_dl_model_param算子设置模型超参数;(1
‑
4)模型训练:采用create_dl_train_param算子和train_dl_model算子创建语义分割模型并进行训练,得到训练后的语义分割模型;(1
‑
5)模型评估:采用evaluate_dl_model算子对语义分割模型预测分割结果进行评估,评估不达标则返回继续训练;(1
‑
6)图像分割:采用训练好的语义分割模型对图像进行分割,获取障碍物的位置信息以及像素尺寸信息,最终获得原图中每个障碍物的最大像素宽度和最大像素高度。3.根据权利要求2所述的基于语义分割的障碍物尺寸预测与不确定性分析方法,其特征在于,所述步骤(1
‑
3)中,图像处理参数包括图像宽度、图像高度为和通道数量,超参数包括Epoch数量、批次大小batch_size、学习速率learning_rate、动量momentum、权重weight_prior,硬件参数选择Inter(R)Core(TM)i7
‑
9700 CPU 3.00GHz。4.根据权利要求2所述的基于语义分割的障碍物尺寸预测与不确定性分析方法,其特征在于,所述步骤(1
‑
5)中,采用交并比IoU来衡量语义分割模型预测分割结果和真实结果的差异,具体计算如下式:
式中,A为预测结果集,B为语义分割真实值;判断交并比IoU是否大于预设值,若是,则训练完成,得到最终的语义分割模型,若否,则返回继续训练。5.根据权利要求1所述的基于语义分割的障碍物尺寸预测与不确定性分析方法,其特征在于,所述步骤二具体过程为:(2
‑
1)确定GRNN模型的输入和输出参数:以障碍物的像素宽度w、像素高度h和障碍物到摄像机的距离L作为GRNN模型的输入参数,以障碍物的实际宽度W和实际高度H作为GRNN模型的输出参数;(2
‑
2)输入和输出数据归一化:对输入和输出数据进行归一化处理,使得每个指标的数据范围在[
‑
1,1]之间;(2
‑
3)设置参数:设置的参数包括差分进化算法中比例因子下限beta
‑
min、比例因子上限beta
‑
max和交叉概率P
CR
;麻雀搜索算法SSA中变量数dim、最大迭代次数MaxIter、麻雀种群数量n、探索者的数量P
D
和侦察者的数量S
D
;(2
‑
4)初始化麻雀种群:麻雀种群用n
×
dim维矩阵Q表示:其中q
n,dim
表示第n只麻雀在第dim维时的位置信息;(2
‑
5)执行差分进化算法的变异和交叉操作:将麻雀种群中每个个体初始化成不同的向量,随机选取多个不同的向量,通过向量之间的加减和缩放运算,得到区别于初始种群的变异个体,变异操作具体公式为:V
i
(t+1)=Q
r1
(t)+beta
·
(Q
r2
(t)
‑
Q
r3
(t))式中,V
i
(t+1)为第i个变异个体,i∈1,2,
…
,n;beta为缩放因子,其取值范围为[beta
‑
min,beta
‑
max],r1,r2,r3∈[1,n],且r1≠r2≠r3;为了提高麻雀种群的多样性,交换变异向量V
i
和目标向量Q
i
之间的部分信息,生成新的备选个体,同时也保留了变异个体与原个体之间的信息,交叉操作公式为:式中,P
CR
为交叉概率;此处是一个分段函数,otherwise表示在其他情况下,目标向量等于新的变量组,没有变化;(2
‑
6)计算适应度值并寻找最优适应度对应的个体:麻雀种群的适应度值F计算如公式为:其中f为个体适应度值;对所有个体的适应度值进行排序,并找到最优适应度个体Q
best
和最差适应度个体Q
worst
;(2
‑
7)更新探索者的位置;(2
‑
8)更新追随者的位置;(2
‑
9)更新侦察者的位置;(2
‑
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。