一种基于GAN对抗网络无人驾驶清洁机器人垃圾跟随清扫算法制造技术

本发明专利技术公开了一种基于GAN对抗网络无人驾驶清洁机器人垃圾跟随清扫算法，本发明专利技术涉及计算机图像处理技术领域，车辆通过GAN对抗网络的判别模型对图片展开模型训练，并得到训练后的图片分类模型，用于判断真假图片数据，车辆通过GAN对抗网络的生成模型对图片展开模型训练，并得到训练后的图片生成模型，用于输出高质量假图片数据，车辆通过GAN对抗网络的判别模型和生成模型的多次交替训练和优化达到最优值，得到高质量的判别模型和生成模型。该基于GAN对抗网络无人驾驶清洁机器人垃圾跟随清扫算法，在采用相同的无人驾驶场景路况图片数据集的情况下，不仅可以识别图片中的路况种类，还可以实现生成用于指导无人驾驶的决策意见并返回给无人驾驶控制系统。见并返回给无人驾驶控制系统。

【技术实现步骤摘要】
一种基于GAN对抗网络无人驾驶清洁机器人垃圾跟随清扫算法


[0001]本专利技术涉及计算机图像处理
，具体为一种基于GAN对抗网络无人驾驶清洁机器人垃圾跟随清扫算法。

技术介绍

[0002]在计算机图像处理领域中，基于GAN对抗网络的技术可以进行图片的目标检测，GAN模型通过对抗过程来估计生成模型的新框架，在GAN模型框架中，生成模型与判别模型进行非合作零和博弈，生成模型将一个噪声包装成一个逼真的样本，而判别模型则需要判断送入的样本是真实的还是假的样本，两个独立学习模型通过博弈能力不断提升，直到伪造品与真品无法区分。
[0003]但是目前的清洁机器人垃圾跟随清扫算法应用于无人驾驶场景下的路况识别与决策时，具有如下缺点：该方法只能对路况进行识别，而不能根据识别的路况信息进行决策并提供给无人驾驶控制系统，因此无法直接用于无人驾驶控制系统的开发中。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供了一种基于GAN对抗网络无人驾驶清洁机器人垃圾跟随清扫算法，解决了目前方法只能对路况进行识别，而不能根据识别的路况信息进行决策并提供给无人驾驶控制系统，因此无法直接用于无人驾驶控制系统的开发中的问题。
[0005]为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于GAN对抗网络无人驾驶清洁机器人垃圾跟随清扫算法，包括以下步骤：
[0006]S1、车辆通过GAN对抗网络的判别模型对图片展开模型训练，并得到训练后的图片分类模型，用于判断真假图片数据；
[0007]S2、车辆通过GAN对抗网络的生成模型对图片展开模型训练，并得到训练后的图片生成模型，用于输出高质量假图片数据；
[0008]S3、车辆通过GAN对抗网络的判别模型和生成模型的多次交替训练和优化达到最优值，得到高质量的判别模型和生成模型；
[0009]S4、车辆通过训练后的模型对环境进行识别分类，能够准确识别各类垃圾并进行跟随清扫。
[0010]进一步的，所述GAN对抗网络由一个判别模型和一个生成模型组成。
[0011]进一步的，所述GAN的生成网络捕捉真实数据样本的潜在分布,并生成新的数据样本；GAN的判别网络是一个二分类器，判别输入是真实数据还是生成的样本。
[0012]进一步的，所述GAN的优化过程为极小极大博弈的过程,优化目标是达到纳什均衡，即直到判别模型无法识别生成模型生成的假样本是真是假为止。
[0013]进一步的，所述步骤S4中，路况的照片通过车辆传感器所识别得出，识别后将路况
种类传输给车辆控制中心并生成决策。
[0014]进一步的，所述识别路况的照片包括有行人和围墙以及各类垃圾。
[0015]进一步的，对于真实数据，使用label＝1计算代价函数来训练判别器，其代价函数的计算方法为：
[0016]loss＝tf.nn.sigmoid_cross_entropy_with_logitsdlossreal＝loss(d_logits_real,labels＝tf.ones_like(d_logits_real)*(1
‑
smooth))；
[0017]对于生成器，使用label＝0计算代价函数来训练判别器，其代价函数的计算方法为：
[0018]loss＝tf.nn.sigmoid_cross_entropy_with_logitsd_loss_fake＝loss(d_logits_fake，labels＝tf.zeros_like(d_logits_fake))；
[0019]判别器的代价函数为：d_loss＝d_loss_real+d_loss_fake；
[0020]生成器尝试做相反的事情，它经训练尝试输出能使辨别器分配接近概率1的样本；
[0021]生成器的代价函数为：
[0022]loss＝tf.nn.sigmoid_cross_entropy_with_logitsg_loss＝loss(d_logits_fake，labels＝tf.ones_like(d_logits_fake))；
[0023]GANs在训练时需要同时运行两个优化算法，我们需要为discriminator和generator分别定义一个优化器，一个用来来最小化discriminator的损失，另一个用来最小化generator的损失，即loss＝d_loss+g_loss。
[0024]有益效果
[0025]本专利技术提供了一种基于GAN对抗网络无人驾驶清洁机器人垃圾跟随清扫算法，与现有技术相比具备以下有益效果：
[0026]该基于GAN对抗网络无人驾驶清洁机器人垃圾跟随清扫算法，采用基于GAN对抗网络的垃圾跟随清扫算法，是由一个判别模型和一个生成模型组成的无监督式渐进式学习训练方案，得到一个更加清晰真实的模型样本，通过无人驾驶车辆传感器的数据融合和车辆的探索，自行进行无人驾驶特定场景的路况识别。采用本专利技术的技术，能够通过路况和场景图片、快速识别工作场景内的建筑物及垃圾等，并实现将感知的信息提供决策信息给无人驾驶控制系统，使机器人在工作区既定路线上作业的同时能够快速识别周围垃圾并及时进行跟随清扫。
附图说明
[0027]图1为本专利技术的算法流程图；
[0028]图2为本专利技术的算法的数据分布图。
具体实施方式
[0029]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0030]请参阅图1
‑
2，本专利技术提供一种技术方案，一种基于GAN对抗网络无人驾驶清洁机
器人垃圾跟随清扫算法，包括以下步骤：
[0031]S1、车辆通过GAN对抗网络的判别模型对图片展开模型训练，并得到训练后的图片分类模型，用于判断真假图片数据；
[0032]S2、车辆通过GAN对抗网络的生成模型对图片展开模型训练，并得到训练后的图片生成模型，用于输出高质量假图片数据；
[0033]S3、车辆通过GAN对抗网络的判别模型和生成模型的多次交替训练和优化达到最优值，得到高质量的判别模型和生成模型；
[0034]S4、车辆通过训练后的模型对环境进行识别分类，能够准确识别各类垃圾并进行跟随清扫。
[0035]本专利技术实施例中，所述GAN对抗网络由一个判别模型和一个生成模型组成。
[0036]本专利技术实施例中，所述GAN的生成网络捕捉真实数据样本的潜在分布,并生成新的数据样本；GAN的判别网络是一个二分类器，判别输入是真实数据还是生成的样本。
[0037]本专利技术实施例中，所述GAN的优化过程为极小极大博弈的过程,优化目标是达到纳什均衡，即直到判别模型无法识别生成模型生成的假样本是真是假为止本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GAN对抗网络无人驾驶清洁机器人垃圾跟随清扫算法，其特征在于，包括以下步骤：S1、车辆通过GAN对抗网络的判别模型对图片展开模型训练，并得到训练后的图片分类模型，用于判断真假图片数据；S2、车辆通过GAN对抗网络的生成模型对图片展开模型训练，并得到训练后的图片生成模型，用于输出高质量假图片数据；S3、车辆通过GAN对抗网络的判别模型和生成模型的多次交替训练和优化达到最优值，得到高质量的判别模型和生成模型；S4、车辆通过训练后的模型对环境进行识别分类，能够准确识别各类垃圾并进行跟随清扫。2.根据权利要求1所述的一种基于GAN对抗网络无人驾驶清洁机器人垃圾跟随清扫算法，其特征在于：所述GAN对抗网络由一个判别模型和一个生成模型组成。3.根据权利要求1所述的一种基于GAN对抗网络无人驾驶清洁机器人垃圾跟随清扫算法，其特征在于：所述GAN的生成网络捕捉真实数据样本的潜在分布,并生成新的数据样本；GAN的判别网络是一个二分类器，判别输入是真实数据还是生成的样本。4.根据权利要求1所述的一种基于GAN对抗网络无人驾驶清洁机器人垃圾跟随清扫算法，其特征在于：所述GAN的优化过程为极小极大博弈的过程,优化目标是达到纳什均衡，即直到判别模型无法识别生成模型生成的假样本是真是假为止。5.根据权利要求1所述的一种基于GAN对抗网络无人驾驶清洁机器人垃圾跟随清扫算法，其特征在于：所述步骤S4中，路况的照片通过车辆传感器所识别得出，识别后将路况种类传输给车辆控制中心并生成决策。6.根据权利要求5所述的一种基于GAN对抗网络无人驾驶清洁机器人垃圾跟随清扫算法，其特征在于：所述识别路况的照片包括有行人和围墙...

【专利技术属性】
技术研发人员：皮官朋，任越，任玉平，
申请(专利权)人：净豹智能机器人南通有限公司，
类型：发明
国别省市：