检索结果-南通市图书馆

作者：陈新平北京邮电大学

学位级别：硕士

随着全球导航卫星系统（Global Navigation Satellite System,GNSS）产生的移动对象轨迹数据的大量增加以及城市道路交通系统的快速发展,道路交通监控和预测问题在城市交通管理中起着至关重要的作用。其中,运动物体的精确轨迹预测成为... 详细信息

随着全球导航卫星系统（Global Navigation Satellite System,GNSS）产生的移动对象轨迹数据的大量增加以及城市道路交通系统的快速发展,道路交通监控和预测问题在城市交通管理中起着至关重要的作用。其中,运动物体的精确轨迹预测成为一个重要的研究方向,是影响城市车流量监控、无人车辆调度控制等应用的关键技术。但是,现有的大多数预测方法仅考虑轨迹数据单一的时间特征或空间特征,因此预测准确性受到限制。本文深入研究了基于GNSS数据的移动对象轨迹预测领域,从基于统计学的方法和基于神经网络的方法两大方向开展了理论研究创新和应用实践,融合了轨迹时空特征的多特征轨迹预测方法能够利用轨迹的二维空间信息,又能提取轨迹的时间特征,同时在额外多特征的辅助下,最大程度地保留了轨迹的特征丰富性,从而实现对轨迹预测精度的提升。本文主要研究成果与创新包括:1、针对现有的GNSS轨迹特征提取方法效率较低的问题,本文提出了一种基于深度学习的轨迹时空特征提取网络,该时空特征提取网络包含空间特征提取和时间特征提取两大部分。对于空间特征的提取,首先提出一种一维轨迹序列到二维轨迹图像的生成算法。接着使用带有两个卷积层和两个池化层的空间特征提取卷积神经网络（Convolutional Neural Networks,CNN）提取轨迹图像不同深度的空间特征;对于时间特征的提取,首先将原始一维轨迹进行子轨迹切割,在此基础上利用单隐层双向长短期记忆网络（Bidirectional Long Short-Term Memory,Bi-LSTM）提取轨迹的双向时间特征。然后将空间和时间特征拼接成时空特征向量。在公开的波尔图真实出租车数据集上进行轨迹时空特征提取实验,结果表明提出的轨迹图像生成算法有效保留了原始轨迹的时空信息。与T-CONV（Trajectory-Convolution）中的图像生成算法相比,在图像生成速率基本不变的前提下,将轨迹图中轨迹点的完整度平均提高了 111.9%,轨迹图的稠密度提升了61.3%。2、针对现有的轨迹预测方法难以融合多源异构特征的问题,本文提出了一种针对文本、GNSS数据等异构特征融合的轨迹预测模型。首先通过词嵌入模型,从轨迹数据中构造出不同的特征向量,利用轨迹画像生成模型得到轨迹分类向量。此外,对于特殊的文本数据,通过地名提取模型得到更复杂的辅助特征。通过本文提出的多特征融合模型,整合了不同维度的向量,增加了预测特征的多样性。在公开的波尔图真实出租车数据集上进行实验,与基于统计学的方法相比,预测误差减少了 10%以上;而与基于神经网络的方法多层感知机模型（Multi-Layer Perceptron,MLP）、循环神经网络（Recurrent Neural Network,RNN）、T-CONV相比,预测误差平均减少了 4.9%。3、结合时空特征提取模型和多特征融合模型,本文构造了一个完整的轨迹预测框架TCL（Trajectory-CNN-LSTM）,实现一维轨迹数据的输入,精确预测坐标的输出。为了验证TCL框架性能,本文搭建了一个集成演示平台,整合了轨迹预测、文本地名提取及轨迹标注可视化、轨迹画像可视化三大模块,实现了本地轨迹数据的动态演示。

来源：

同方学位论文库评论

基于无人平台的三维稠密地图构建研究

引用

作者：崔巍北京邮电大学

学位级别：硕士

无人平台的自主导航是一项极为复杂的问题,需要多种不同功能的模块来共同完成。其中的三维稠密地图构建模块是极其关键的一环。三维稠密地图的构建是计算机视觉（CV,Computer Vision）和机器人学方向的一个热门研究方向。为了满足无人... 详细信息

无人平台的自主导航是一项极为复杂的问题,需要多种不同功能的模块来共同完成。其中的三维稠密地图构建模块是极其关键的一环。三维稠密地图的构建是计算机视觉（CV,Computer Vision）和机器人学方向的一个热门研究方向。为了满足无人设备能够安全进行导航或者执行更加高级的任务,我们的建图系统必须密集覆盖到真实场景中的所有环境信息,在保证精度的同时还要有足够的效率来节约内存资源。此外,为了能够适应不同的环境,建图系统要在室内外多尺度规模的环境下都能够稳定运行,具有出色的鲁棒性。旨在克服目前存在的问题和上述要求,本论文在基于视觉传感器的 SLAM（simultaneous localization and mapping）定位的基础上进行扩展,利用视觉传感器获得的深度信息,结合SLAM计算的位姿信息进一步融合得到三维稠密地图,并对影响基于视觉传感器的三维稠密地图构建系统的精度和效率因素进行了深入分析和研究。本文主要完成了下列三个方面的工作:1.针对基于视觉传感器的室内外三维稠密地图构建的质量强烈依赖于提供的深度图质量,而传统视觉测距方法难以得到精度较高的深度信息的问题,本文提出了一个基于深度神经网络的双目视差估计算法。利用NAS（Neural Architecture Search）进行自动搜索网络结构的基础上,融合 DCN（Deforable Convolutional Networks）。接着,为了提高双目视差差估计网络的精度,本文设计了一个新的自适应权重损失函数。为了验证本文提出的算法,在KITTI数据集上进行了测试验证。实验结果表明,相比于LEAStereo算法得到的模型,EPE（End Point Error）误差降低了 37%,视差估计精度提高了 2.9个百分点。2.针对 VINS（Visual-Inertial State Estimator）系统无法对不同硬件传感器之间的时间误差项进行动态优化更新的问题,本文提出一个基于双目惯导的传感器时间同步优化算法,在状态向量中添加了相机传感器和IMU之间的时间误差项来不断地进行重投影误差的优化。为了验证本文算法性能,在EuRoC数据集上与VINS和ORBSLAM2进行了对比实验。实验结果表明,RMSE（Root Mean Square Error）误差分别降低了 21和15个百分点。3.针对传统SLAM系统无法只能重建稀疏点云地图而无法直接构建高精度三维稠密地图的问题,本文利用自己设计的改进LEAStereo后的神经网络估计得到的每一帧的深度图和添加了双目视觉惯导时间同步优化算法后的SLAM系统计算得到的位姿作为输入,来构建基于哈希数据结构的TSDF（Truncated Signed Distance Function）三维稠密地图。为了验证本文提出的重建算法的性能,在公共数据集和实际场景采集的数据上与LEAStereo算法进行了对比,实测数据中选取了椅子的长度进行了测量,我们方法的精度相比改进前的方法提升了67%。

来源：

同方学位论文库评论

面向机器人环境感知理解的视觉Transformer网络关键技术研究

引用

作者：李昂北京邮电大学

学位级别：硕士

基于各种计算机视觉任务的感知对于机器人、自动驾驶、物联网和自动化等领域都有非常重要的意义,准确而鲁棒的感知是一套系统稳定工作的基础。诸如目标检测、语义分割和交通标志分类等任务均需要作为基础特征提取器的骨干网络做多尺度... 详细信息

基于各种计算机视觉任务的感知对于机器人、自动驾驶、物联网和自动化等领域都有非常重要的意义,准确而鲁棒的感知是一套系统稳定工作的基础。诸如目标检测、语义分割和交通标志分类等任务均需要作为基础特征提取器的骨干网络做多尺度的特征编码,而这个编码器的性能会很大程度上决定一个模型的上限。过去的计算机视觉任务的主流解决方法CNN在目前越来越复杂的应用场景和任务要求下,性能提升和表现不达预期,而以注意力模块为核心的Transformer作为一种能进行长距离依赖建模的网络架构在任务需要大感受野和动态关注能力时有更优异的性能。然而传统的注意力在输入从文本序列向图像变化的过程中面临着运算量指数级爆炸的问题,同时网络结构和训练方式等与计算机任务适配性不高。针对以上难题,本课题提出Transformer与卷积神经网络结合的特征提取骨干网络,称为ConMWTransformer,该网络引入了一种新型的具有线性复杂度的融合窗口注意力机制,同时通过对网络的整体轻量化改造使其更能适应小数据集任务的需求。本文的主要工作如下:(1)针对注意力模块冗余过多导致长图像序列运算过于缓慢的问题,本文设计了计算复杂度正比于图像序列长度的融合窗口注意力模块。首先,通过将注意力限制在窗内降低总体运算量;其次,通过卷积投影叠加线性投影为每个特征序列融入更多局部上下文信息;而后,使用大核卷积连接窗口增加窗口之间的信息交互;最后,连接不同的子注意力头来减少低秩瓶颈影响并混合单一分布提升注意力的动态拟合能力,进行更合适的联合表征。通过对注意力的改造后模型能够在线性复杂度下提升模型总体精度,在仅使用ImageNet-1K预训练的情况下,将该注意力模块替换视觉Transformer原始注意力模块后可提升图像分类精度2.2%,同时使推理速度提高203%。(2)针对模型训练缓慢启动数据需求大且输出模式难以适应下游任务的问题,本文在包含了上文提出的融合窗口注意力的同时对整个网络重新进行了总体架构设计,包括池化方式、归一化方式、多尺度特征图接口、位置编码、特征投影方式和原始特征转换方式等。首先,将卷积引入Transformer帮助其快速收敛并提高准确性。而后,在patch化和投影时引入归纳偏置。最后,在对特征图进行分窗后使用卷积进行代表向量提取并进行全局注意力计算。总体架构改造使模型可以很好地适配下游任务,在COCO2017数据集上进行目标检测实验,替换Cascade Mask-RCNN的骨干网络后,精度提升到了 52.1box AP。在ADE20K数据集上进行语义分割实验,使用UperNet作为基础架构并将其骨干网络进行替换,小模型比先进方法Swin-T和Twins-S分别高2.6mIoU和1.3mIoU,基础模型在超过Swin-B 0.2mIoU的情况下参数量减少了 34%。在ImageNet上的分类任务精度达到83.7%,小模型在相似的运算量下相比Swin-T提升了 1.7%,基础模型相比Swin-B在提升了 0.2%精度的同时降低了 24%的运算量。(3)针对网络在机器人平台硬件上体量仍相对较大不好部署且训练过程不稳定的问题,本文对网络进行了整体轻量化,并在网络底部分别使用纯卷积和Transformer来探索最好的算子结合比例。本文采用了权重共享和蒸馏的方法实现了网络的轻量化,并在网络底部使用CNN替代了 ConMWTransformer层,使模型参数降低了 50%,加快了推理速度,降低了硬件的负担,同时模型总体精度仅有0.3%的损失。最后将总体轻量化后的模型在小型自采数据集上进行了伪装检测任务适配实验,使Transformer不再只局限于大数据集的使用,提升了 Transformer的通用性,并对伪装目标的检测精度达到了 52mIoU。

来源：

同方学位论文库评论

结合深度学习的SLAM系统关键技术研究

引用

作者：蔡程颖北京邮电大学

学位级别：硕士

随着近些年自动驾驶技术和机器人技术成为关注的焦点,同时定位与建图(SLAM,Simultaneous Localization and Mapping)技术是其核心技术之一。SLAM算法被广泛应用于解决机器人定位问题,但是在存在动态目标和明显光照变化的复杂环境中,传... 详细信息

随着近些年自动驾驶技术和机器人技术成为关注的焦点,同时定位与建图(SLAM,Simultaneous Localization and Mapping)技术是其核心技术之一。SLAM算法被广泛应用于解决机器人定位问题,但是在存在动态目标和明显光照变化的复杂环境中,传统方法会建立错误的特征关联,导致系统定位精度不高。因此系统中非几何模块的特征匹配和数据关联问题成为目前限制算法精度的瓶颈,限制了 SLAM系统在现实中的应用。针对复杂场景下的视觉SLAM系统,本文深入研究了基于深度学习的视觉特征提取、特征匹配、视觉重定位等关键技术,构建了一个用于复杂场景的视觉SLAM系统。本文完成的主要工作和创新点如下所述:1.针对复杂场景下传统视觉特征度量能力不够鲁棒的问题,本文提出了一个融合传统特征点和深度学习描述子的视觉特征检测器。在视觉SLAM系统中,提取视觉特征是整个系统的第一步,系统利用视觉特征建立图像之间的匹配关系,从而求解图像之间的相对位姿信息。但在复杂场景中,由于视觉特征不够鲁棒,无法建立可靠的特征匹配关系,从而导致求解的相对位姿精度无法满足精准定位的需求。本文提出的基于传统特征点和卷积神经网络(CNN,Convolutional Neural Networks)描述子的特征检测器可以建立更为准确可靠的匹配关系。在Hpatches数据集的评估中,本文方法的平均准确率(mAP,mean Average Precision)比 SOSNet 高 1.73%。2.针对神经网络模型过参数化的问题,本文在原始模型的基础上使用神经网络结构搜索(NAS,Neural Architecture S earch)获得更轻量的网络,实现裁剪网络冗余的结构的目的。目前大部分神经网络模型在运行时占用了太多计算资源,而大多数研究都认为神经网络模型是过参数化的,因此完全可以在精简网络的规模的同时依然保证模型具有较好的性能。同时本文使用了基于TensorRT的网络压缩和融合技术,进一步减少了网络推理时间。在NVIDIA Jetson AGX Xavier平台上测试,本文优化后的模型在保持相似精度的情况下,减少83.7%的推理时间。3.针对在复杂场景下传统视觉SLAM系统无法获得准定的定位结果,本文结合上述的研究成果,构建了一个基于传统特征点和CNN描述子的SLAM系统。同时,为了提升SLAM在复杂变化场景下的定位鲁棒性,本文优化了 SLAM系统流程中特征提取、后端优化等流程的性能,即使在边缘计算设备上,系统依然能够以每秒27帧的速度运行。本文在Euroc、TUM-Ⅵ和TUM-RGBD这三个数据集上进行评估,本文提出的系统相比于ORB-SLAM2和VINS-Mono,定位的均方根误差分别降低了 35.8%和24.4%。

来源：

同方学位论文库评论

无人机室内定位建图关键技术研究

引用

作者：贺鹏飞北京邮电大学

学位级别：硕士

多旋翼无人机具有体积小、机动性强、成本低、易操作性强等优点,使其在搜寻、救援和军事侦察领域有很大优势。对于多旋翼无人机而言,稳健且高精度的定位与建图技术是其实现室内外自主飞行的关键。近年来,以惯性导航系统(Inertial Naviga... 详细信息

多旋翼无人机具有体积小、机动性强、成本低、易操作性强等优点,使其在搜寻、救援和军事侦察领域有很大优势。对于多旋翼无人机而言,稳健且高精度的定位与建图技术是其实现室内外自主飞行的关键。近年来,以惯性导航系统(Inertial Navigation System,INS)和全球卫星导航系统(Global Navigation Satellite System,GNSS)为主的定位系统得到了很大发展。然而在室内、工厂等一些复杂环境中,由于多径信号干扰以及间歇拒止等问题,以GNSS为主的定位系统仍然容易出错,INS定位解决方案则会急剧累积误差,从而导致无人设备获得错误的定位信息。视觉惯性定位里程计(Visual-Inertial-Odometry,VIO)不依赖于GNSS,具有局部高精度定位的优势,但VIO系统在光照变化、特征缺失等场景下存在定位易丢失、无法进行全局定位的问题。为满足在室外、室内、工厂等GNSS间歇拒止环境中无缝以及高精度定位的需求,本文基于视觉、GNSS和惯性测量单元(Inertial Measurement Unit,IMU)传感器,以视觉同时定位与建图(Visual Simultaneous Localization and Mapping,V-SLAM)技术为基础,对视觉-GNSS-IMU融合的室内外无缝高精定位方法进行了深入的分析和研究。其次,在实现GNSS间歇拒止环境下鲁棒且高精定位的同时,为满足无人机对未知环境进行探索的需求,本文对基于消费级RGB-D相机的室内场景高精度三维重建技术进行深入分析和研究,完成了相关实验验证。本文主要完成了以下几方面的工作:1.以微软AirSim平台为基础,基于UE4仿真引擎搭建了一个包含工厂、城市、野外森林场景的无人机仿真环境,并为此仿真环境开发了一套能够实时获取GNSS、IMU和视觉等传感器数据的应用接口。其次以PX4开源飞控为核心,采用GNSS作为室外定位解决方案,采用VIO作为室内定位解决方案,从零搭建了一个能够在室内外稳健定位导航的四旋翼无人机平台。2.针对基于VIO定位系统的无人机在低纹理环境飞行时视觉定位易丢失、GNSS定位间歇拒止等导致无人机无法正常工作的问题,本文提出了一种基于非线性优化的方法实现GNSS与VIO定位信息的融合,GNSS在其信号良好环境下辅助VIO提升系统的稳健性,而在GNSS拒止环境下则采用VIO来获得全局的高精度定位,最终实现了能够在室内、工厂等GNSS间歇拒止环境下无人机稳健且一致的定位解决方案。相比于GNSS 3-5米的定位误差,本系统长时间飞行轨迹累积的均方根误差和平均误差均可保持在1米以内。3.针对传统稠密点云重建方案所存在的体积过大、细节缺失、纹理较少和噪点过多等问题,本文提出了一个基于消费级RGB-D相机室内高精度轻量化重建方法。在基于VIO位姿和RGB-D数据获得稠密点云地图后将其简化为网格地图,同时针对VIO位姿存在误差的问题,采用基于光度一致的全局优化系统对VIO位姿进行优化,基于优化后的位姿将图像纹理投影至网格地图,最终实现一个轻量级、富纹理且高精度的室内重建结果,相对于原始稠密点云地图内存使用效率平均提高68.34%。

来源：

同方学位论文库评论

面向无人驾驶汽车的视觉定位控制关键技术研究

引用

作者：焦剑北京邮电大学

学位级别：硕士

随着社会的进步,汽车工业的不断发展,无人驾驶汽车应运而生,一时间成为各大车厂的一个发力点,也成为了当前人工智能领域的研究热点之一。从系统的角度来看,无人驾驶系统包括环境感知系统,行为决策系统以及车辆控制系统。其中,定位模块... 详细信息

随着社会的进步,汽车工业的不断发展,无人驾驶汽车应运而生,一时间成为各大车厂的一个发力点,也成为了当前人工智能领域的研究热点之一。从系统的角度来看,无人驾驶系统包括环境感知系统,行为决策系统以及车辆控制系统。其中,定位模块与转向控制模块是无人汽车的两个关键模块。目前传统方法仍是支撑无人驾驶汽车得以落地的主要技术。但传统方法针对光照变化、场景变化等问题的鲁棒性较差,难以满足无人驾驶汽车在实景场景中的应用需求。因此,本文围绕无人汽车定位及转向控制两大关键技术为研究点,利用视觉传感器,构建深度神经网络,实现端到端的无人车位姿精确估计及车辆的转向控制,并分别从精度、实时性以及泛化性等多个角度来解决无人汽车的定位及方向角控制问题。本文主要完成了以下三方面工作:1.针对传统基于特征的方法,其关键点的提取和描述子的计算存在耗时长,特征利用率低以及在纹理不明显情况下容易失效等缺点,且直接法对光照变化敏感的不足。本文利用CNN提取丰富的场景特征信息,实现周边环境的精确感知,并采用Bi-LSTM将当前时刻前后图像帧序列化信息作为约束,提出一种利用前后时序信息的车辆定位模型,在保证无人车位姿估计精度的同时,保证了实时性,为高速行驶的无人车提供精准的定位信息。实验结果表明,本文提出的车辆定位算法,位姿平移量精度较传统基于特征的算法比提升87.6%,位姿旋转量精度提升1.7%。2.针对传统无人车方向角控制算法无法满足连续场景下长时间预测的问题,本文提出了一种R-CNN车辆转向角控制模型,以单张图像为单位,五张连续图像为一个序列,进行汽车方向转角的预测。实验结果表明,该算法不仅能降低误差的累计,还能从连续图像帧中挖掘更多有效几何信息来提高预测精度。方向角控制精度比Nvidia-Net提高65.4%。3.本文发现,自动驾驶是一个非常复杂的系统,单一的定位或者转向控制模块都无法很好的保证无人车的正常运行。因此,本文在上述两种算法的基础上,提出一种基于先验定位信息的转向控制模型。该方法将定位信息与图像信息进行融合以便更精准的预测无人汽车的方向控制转角,从而可以更好的满足无人汽车在多场景下的正常行驶需求。实验结果表明,本文提出的融合定位信息与图像信息的控制模型的转向控制精度比未融合定位信息的控制模型提升74.5%。

来源：

同方学位论文库评论

基于图像与无线信号的半主动式定位关键技术研究

引用

作者：刘炜伦北京邮电大学

学位级别：硕士

WiFi等无线信号指纹定位的出现,使得室内定位在覆盖率、定位精度、实时性等方面都有了较为明显的提升,并在行人导航领域得到了较为普遍的应用,也因此产生了大量的定位数据。通过将定位数据和身份相关联,可以更为有效地挖掘定位数据中的... 详细信息

WiFi等无线信号指纹定位的出现,使得室内定位在覆盖率、定位精度、实时性等方面都有了较为明显的提升,并在行人导航领域得到了较为普遍的应用,也因此产生了大量的定位数据。通过将定位数据和身份相关联,可以更为有效地挖掘定位数据中的隐含信息,如个人喜好、常活动区域、性格特点等,在大型建筑物内的个性导航、商业广告的精准投放、市场的精准分析、针对性救援、犯罪分子跟踪等方面都有着广泛的应用场景。按照定位信息来源的不同,室内定位方式可以分为被动定位和主动定位。被动定位的定位范围广,可以获得较多的定位数据。但仅能获得移动设备的Mac地址这一单一的个人属性信息,身份关联程度较低。主动定位中基于图像的主动定位方式,利用公共场所监控摄像头拍摄的图像,可以得到行人的姓名、年龄、性别、身体状况等较为丰富的个人属性信息。但由于监控摄像头数量有限,存在较多无法采集到图像盲区,定位范围窄,定位数据少。为了能获得更为广泛且准确的身份信息,且令定位数据和身份信息关联准确关联,结合主动定位和被动定位的过程的优势,本文设计了基于图像与无线信号的半主动式定位的定位过程,具体过程如下:通过被动定位获得广泛的定位数据,通过主动定位获取丰富的身份信息,并最终通过定位轨迹匹配实现广泛的定位数据和丰富身份信息的相关联。本文主要完成了以下三个工作:1.使用人脸识别神经网络定位身份时,性能最优的损失函数ArcFace引入的加角余量仅对类间距离进行了约束,未对类内距离进行有效约束,从而导致人脸识别精度不高。针对这个问题,考虑到SphereFace引入的倍角余量能有效压缩类内空间,本文提出了损失函数MaaFace,将加角余量和倍角余量同时引入损失函数,从而提高身份定位的准确度。在34和50层的神经网络上对LFW、CFP-FP、AgeDB数据集进行测试,使用损失函数MaaFace时,误识别率分别平均降低了 10.9%和7.3%,在100层的网络上测试时,除了 LFW数据集识别率降低了 0.07%外,CFP-FP、AgeDB数据集误识别率分别降低了 5.9%和2.2%。实验证明,所提出的结合损失函数的性能要优于已有的损失函数,较为显著地提高了定位身份的准确度。2.使用人脸识别神经网络定位身份时,ArcFace还存在对训练数据集过拟合的问题,从而导致人脸识别精度不高。针对这个问题,本文提出了动态损失函数Dyn-arcFace,将静态加角余量发展为动态加角余量,降低对训练数据的过拟合,从而提高身份定位的准确度。在34、50、100层的神经网络上对LFW、CFP-FP、AgeDB数据集进行测试,与ArcFace相比,不同层数神经网络的误识别率分别平均降低了 1 5.2%、11.0%和4.6%,与第1点中提出的结合型损失函数效果相比,误识别率分别平均降低了 5.0%、10.6%和10.6%。实验结果证明,所提出的动态损失函数要优于已有的损失函数和第1点中提出的结合型损失函数,显著地提高了身份定位的准确度。3.针对半主动式定位中无线信号不稳定导致的无线定位精度差,行人和移动设备匹配关联准确度不高的问题,本文利用无线信号强度空间分布相关性,构建了修正无线信号强度的神经网络模型,对无线信号强度进行修正。仿真实验证明,经过本文提出的神经网络模型修正后,无线信号强度的平均误差降低了 35.92%。使用修正后的信号在BP、CNN、RBF、GRNN等神经网络进行指纹定位,定位误差平均降低15.54%,这也证明了修正信号的有效性。

来源：

同方学位论文库评论

激光雷达点云语义分割研究

引用

作者：苟小峰北京邮电大学

学位级别：硕士

伴随着自动驾驶技术和人工智能的发展,现有自动驾驶系统对实时感知物体信息的需求越发迫切。三维激光雷达因其高精度、高频率和视野完整等特点成为了自动驾驶感知领域最广泛应用的传感器之一。经过前期研究,本文发现现有嵌入式设备的图... 详细信息

伴随着自动驾驶技术和人工智能的发展,现有自动驾驶系统对实时感知物体信息的需求越发迫切。三维激光雷达因其高精度、高频率和视野完整等特点成为了自动驾驶感知领域最广泛应用的传感器之一。经过前期研究,本文发现现有嵌入式设备的图形处理器(Graphic Processing Unit,GPU)算力有一定限制且数据通信技术无法支撑云端服务器实时处理大量激光雷达点云数据,而采用球形投影预处理能有效将神经网络对SemanticKITTI开源点云数据的处理速度提升至10帧/秒以上。但现有的引入该预处理放方案的点云语义分割系统例如SqueezeSeg和RangeNet++直接移植了针对真实图像的二维卷积神经网络对点云投影图像进行特征提取,缺乏基于点云投影图像特点的针对性设计,其语义分割性能仍有提升空间;系统缺乏对稀疏机械激光雷达点云、固态激光雷达点云进行处理的改进设计,导致网络处理各类激光雷达点云的泛化能力不足;没有解决系统提取小尺度目标特征能力不足的问题。针对上述问题,本文深入研究了图像通道信息处理、小尺度目标识别、稀疏特征提取等关键技术,构建出了针对三类激光雷达的三种点云语义分割框架,旨在提升针对不同类型数据的点云语义分割系统的处理精度和精度。本文主要完成的工作及取得的创新点如下所述:1.针对点云投影图像的通道张量信息类型与真实图像区别较大的问题,本文设计了一个用于特征转换的点卷积扩展子模块(Pointwise Convolutional Expansion Module,PCEM)并将其嵌入到语义分割网络的各个基础模块,在降低网络参数量的同时也使得系统更适应于处理投影图像数据。本文使用SemanticKITTI开源点云数据集转换生成的投影图像进行实验,结果表明系统在RTX3090平台上的处理速度达到了 19.4帧/秒,系统精度即平均交互比(mIoU)达到了49.3%,与RangeNet++相比处理精度仅下降了2.9%而处理速度提升了58.3%。2.针对现有系统对小尺度物体语义分割精度较低的问题,本文设计了一种多尺度空间注意力机制模块(Multi-scale Spatial Attention Module,MSAM),以调整拟合原数据在投影之后多尺度目标的局部特征权重区域。本文在SemanticKITTI上与其他算法进行了对比实验,结果表明本系统处理精度mIoU为51.8%,系统处理速度达到了 17.3帧/秒,与SqueezeSegV3相比处理精度下降了 4.1%而处理速度提升了 183.3%。相比于原有系统,引入MSAM将系统对小尺度目标的分割精度提升了 16.9%。3.针对系统对于稀疏点云的特征提取能力不足以及对小尺度目标的特征提取能力不足的问题,本文提出了一个坐标融合模块(Coordinate Fusion Module,CFM)将中间特征与原始坐标信息融合强化局部特征,并去除了基础模块中的特征转化卷积层以减少坐标信息融合次数。本文在稀疏化处理后的SemanticKITTI数据集中与其他算法进行了对比实验,结果表明本系统精度mIoU达到了 44.1%,相比于RangeNet++和SqueezeSegV3分别提升了11.5%和2.9%。4.针对固态激光雷达在一个场景序列中生成的每帧点云数据量固定的特性,本文提出了一种自适应分辨率球形投影方案对投影图像进行扩展及压缩,以保留点云的完整信息。本文在PandaSet固态雷达点云开源数据集中进行了对比实验,结果显示本文提出的固态激光雷达点云语义分割系统的精度mIoU达到了 16.9%,相比于RangeNet++和SqueezeSegV3分别提升了 11.8%和5.6%,与固定分辨率投影的处理方案相比提升了 12%。

来源：

同方学位论文库评论

基于深度学习的低速无人车视觉感知系统关键技术研究

引用

作者：陈飞扬北京邮电大学

学位级别：硕士

近年来,由于人工智能和深度学习技术的进步,无人驾驶技术领域受到了广泛关注。但是,将无人驾驶技术应用于现实复杂的交通场景仍然是一个挑战,而环境感知系统在克服这一挑战中起着至关重要的作用。该系统负责检测和识别道路上的各种元素... 详细信息

近年来,由于人工智能和深度学习技术的进步,无人驾驶技术领域受到了广泛关注。但是,将无人驾驶技术应用于现实复杂的交通场景仍然是一个挑战,而环境感知系统在克服这一挑战中起着至关重要的作用。该系统负责检测和识别道路上的各种元素,例如车道线、行人、车辆、交通标志和交通灯,并确定障碍物在环境中的位置,保证无人车安全行驶。对于低速无人车来说,传统的环境感知算法无法满足其在开放环境下的语义提取的需要。基于深度学习的感知技术已经彻底改变了无人驾驶领域,超越了传统环境感知算法的局限性。然而,低功耗的嵌入式设备成为了无人驾驶系统的主要运算单元,无法有效支持深度学习大模型的实时运行。因此,针对以上问题,本文构建了一个适用于低速无人车的视觉环境感知系统,提出了一个轻量化的障碍物目标检测、单目深度估计与车道线检测的多任务网络,提升了无人车的环境感知能力,对无人车环境信息认知和决策规划具有重要的意义。本文的主要研究成果如下所述:(1)针对基于神经网络的目标检测算法计算量大导致单帧图像特征提取速度慢,在嵌入式无法实时运行的问题,本文提出了一个轻量化的主干特征提取网络GosCSPNet,并在此基础上提出了一个端到端的基于多尺度特征融合的目标检测模型。为了提升模型的精度,本文通过引入αIoU损失函数提升了模型的训练效果。该目标检测模型在COCO2017数据集上达到了 40.4的mAP,仅有2.7GFlops的计算量消耗。为了分析模型在真实设备上的实时性,在嵌入式设备Jetson AGX Xavier上进行部署并验证,试验结果表明,与现有的目标检测算法相比,本文提出的目标检测模型在不影响检测精度的情况下,在该设备上获得了最高的运行速度,达54.1FPS。(2)针对现有的目标深度估计模型复杂且精度较差的问题,本文提出了一个基于深度学习的多任务目标距离测量融合网络,并使用稀疏深度样本辅助训练的方法,在KITTI单目深度估计数据集上进行实验验证。实验结果表明,本文提出的单目深度估计方法的δ1、δ2、δ3精度相比基准方法分别提高了 38.2%、4.1%、1.6%。(3)为了验证本文提出的方法整体性能,本文使用无人小车作为移动平台,搭载单目相机和嵌入式开发板在实际校园和工业园区环境下进行了实验测试。此外,针对现有车道线检测模型对于弯道检测精度和鲁棒性低的问题,本文设计了一个构建弯道检测算法训练数据库的策略,以提升车道线检测模型在弯道上检测的精度和鲁棒性。实验表明该模型实验结果表明,该环境感知系统在弯道数据集上达到了91.4%的精度,运行速度达到了 10.1FPS,证明了本文提出的算法在低速无人车运行的可行性和鲁棒性,满足了实际场景下的任务需求。

来源：

同方学位论文库评论

多波段伪装特征数据采集航线规划方法研究

引用

作者：段琨北京邮电大学

学位级别：硕士

随着无人机技术的高速发展,无人机在军用和民用领域的应用越来越广泛,无人机航线规划是无人机技术中的重要分支。首先,小型无人机在执行任务的过程中携带的电池容量有限,但是目前通过工业技术很难提升无人机的续航能力,因此需要通过任... 详细信息

随着无人机技术的高速发展,无人机在军用和民用领域的应用越来越广泛,无人机航线规划是无人机技术中的重要分支。首先,小型无人机在执行任务的过程中携带的电池容量有限,但是目前通过工业技术很难提升无人机的续航能力,因此需要通过任务中的约束条件为无人机规划出一条最优路径,节省无人机的能量,提高无人机的工作效率。其次,无人机在进行伪装特征数据采集时需要携带多种波段的数据采集设备,使用多种波段的数据采集设备能够获取敌方目标的关键信息。但是,不同采集设备的参数例如视场角、分辨率、重叠率等并不一致,因此在对同一区域进行数据采集时,需要规划不同的路径,保证无人机数据采集的质量。针对不同的数据采集设备约束条件不同的问题,本文提出了多种航线规划方法并且构建了一个航线规划系统。天气因素会影响无人机在数据采集过程中图像质量,增加无人机的能量消耗,但是,现有的无人机航线规划方法没有考虑天气对航线的影响,因此本文提出了天气影响下的无人机航线优化方法,提高无人机采集数据的质量,降低无人机能量消耗。本文主要的工作和创新点如下:(1)针对现有无人机航线规划算法难以同时满足单目标绕飞和多目标绕飞的难题,本文提出了多旋翼无人机的单目标和多目标绕飞航线规划方法。首先建立了多旋翼无人机对单个目标进行多视角数据采集的航线规划模型,然后根据约束条件求解航线规划的参数,最后提出了单目标绕飞的航线规划算法。针对多个目标数据采集的航线最短问题提出了一种混合动态规划优化的航线规划方法,该方法通过动态规划得到多个目标的绕飞顺序,然后动态优化每个目标的起止绕飞点,通过实验证明优化后比优化前航线长度缩短1 0%-23.74%,并且目标的个数越多优化效果越好。(2)针对机载数据采集传感器参数存在差异性导致现有航线规划算法无法自适应规划异构传感器采集航线的问题,本文构建了一个多波段伪装特征数据采集航线规划系统。系统中包括五种航线规划方法:单目标绕飞航线规划方法、多目标绕飞航线规划方法、SAR无人机全覆盖航线规划方法、SAR无人机多视角航线规划方法和牛耕法航线规划方法。其中无人机搭载可见光、红外、高光谱和SAR四种波段的采集设备进行数据采集。通过该系统对无人机进行航线规划,在真实环境中成功采集了 12000张以上的多波段伪装特征图像,验证了航线规划方法的准确性和系统的鲁棒性。(3)针对现有无人机航线规划算法未能考虑作业过程中天气因素包括风、湿度、温度、雾等复杂环境对无人机数据采集的影响,本文提出了天气因素对无人机航线规划的影响和优化方法。无人机在进行多波段伪装特征数据采集时可能会遇到复杂天气,本文主要研究了雾、温度、湿度和风对航线的影响。首先详细分析了四种天气因素对航线的约束,然后提出了天气约束下的航线优化方法,最后通过实验验证了降低无人机的飞行高度能够提高数据采集质量,便于识别伪装目标,并且当无人机航线与风向的夹角为90°时总飞行时间最短,提高了数据采集的效率。

来源：

同方学位论文库评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：