论文部分内容阅读
在大力发展智慧城市的概念下,空地协同地机器人系统是近年来兴起的一个重要研究领域,它将环境地图构建和机器学习相结合,使得空地协同机器人系统在许多实际应用中可以发挥强大的功能。本文的研究内容是利用深度学习模型将无人机的航空影像转换成无人车可以利用的地形图,以完成地面路径规划导航任务,克服无人车在未知环境的局限性。然而,先前的工作严重依赖于大规模标记训练数据,同时受到飞行时间以及标记成本的限制,大规模训练数据很难获得。为了解决这些问题,研究内容主要包含以下三个部分:1.本文利用卷积神经网络分类器来进行地貌建模,但该模型的训练依赖于大量的标记数据集,为了减少标记任务,本文提出基于条件生成对抗网络的主动式地貌建图(CGAN-ATM)算法,该算法将主动学习(AL)策略集成到条件生成生成对抗网络框架中,相比于传统的数据增强的方法,能够使用有限的标记数据有效构建地貌图。2.由于CGAN仅对粗粒度信息建模,但在我们的场景下,不同地貌细粒度类别不一样,因此,本文进一步对CGAN进行了扩展,提出了基于细粒度表示信息条件生成对抗网络主动式地貌建图(FG-CGAN-ATM)算法,该算法一方面在条件生成对抗网络的基础上加入了细粒度表示信息,使得模型能够在粗粒度的类别表示上学习草地的细粒度表示,另一方面将主动学习(AL)策略集成到该网络框架中,能够使用有限的标记数据更有效地构建地貌图。3.为了进一步减少上述模型的标记任务,本文提出了无监督学习分层表示生成对抗网络自指导式地貌建图(H-InFoGAN-SGTM),该算法在学习到的粗粒度的类别表示下,进一步学习不同的细粒度表示,达到指定不同的粗,细粒度隐藏编码(Latent Code)生成不同地貌图像块的目的,从而自我指导(Self-Guide)生成不同的地貌图像块来训练卷积神经网络分类器,能够达到与监督式同样的地貌建图效果。最后,在真实场景中,对文中的方法通过相关实验做出了验证。不仅对比了不同模型生成效果图,而且也对比了不同模型下训练CNN预测效果图,并利用经典的路径规划算法做出了相应的验证。三种不同的方法地貌建图准确率分别达到了90.35%、93.29%、92.37%。相应的平均路径规划长度分别为1575.4pt、1472.8pt、1480.1pt。结尾处对下一步的研究工作进行了讨论。