摘要：为提升变电站巡检机器人视觉导航避障效果,将卷积神经网络与循环神经网络相结合,提出一种轻量级时空网络结构。网络以机器人道路场景视频帧为输入,分别从空间域和时域2个维度对可行道路区域特征进行分析挖掘。针对空间域特征,网络先采用多种图像增强技术来丰富道路特征信息,再利用高效率卷积单元、残差连接以及注意力机制等模块构建卷积网络结构,由浅到深提取可行道路空间位置特征。对于时域特征,网络在空间特征基础上引入基于卷积计算的长短期记忆循环网络,保障时序特征提取的同时避免空间特征被破坏,并结合自注意力结构提升网络对关键信息的聚焦度,降低噪声数据干扰。根据所提时空域特征,设计分类回归预测结构,分别对机器人行驶方向及对应偏转角度进行预测,提升机器人导航避障效果。最后,考虑到实际变电站机器人巡检场景的高度相似性,设计特征差分模块来减少对冗余特征重复计算,保障实际应用效率。多个数据集上的实验结果表明:所提方法可以有效提取道路场景信息的时空特征并准确预测机器人下一步动作;与同类型方法相比,该方法具有更高的鲁棒性,可以更高效智能地实现导航避障。

摘要：以机器人为研究对象,利用较低成本设计并开发了一种基于机器视觉的,能实现有效避障和自动导航的服务机器人系统;通过机器人设计方案的整体阐述和研发过程的具体分析(包括硬件结构与外观的设计、机构功能电路的调试、视觉避障与引导线标志实现导航的控制等),为机器人技术在专业实践领域中的应用奠定基础。

摘要：机器人视觉避障是一个热门的研究方向。针对机器人在行进时如何通过视觉传感器进行自主避障的问题,设计了一种深度卷积神经网络,通过收集训练样本,得到一个端到端控制的自主避障网络模型,并对模型做了定量的评估比较。在现实场景中用单目摄像头行进采集时的第一视角图像和转向角,使用训练好的模型进行转向角的预测,来控制自行搭建一辆两轮自平衡车平台的行进方向。实验结果表明,采用该方法的机器人具有一定的自主避障能力。

摘要：针对当前无人机常用的“建图+规划”避障方法依赖于地图,构图模型参数适应性不强等问题,将无人机自主避障问题转化为强化学习框架下的决策控制问题,提出基于改进强化学习的无人机规避决策控制算法,并设计了适用于无人机导航避障控制任务的D3QN结构。实验结果表明,所设计的D3QN结构相比经典DQN结构可提升约25%的训练效率,经过训练之后的D3QN网络能根据视觉信息做出可靠的规避控制决策,能用于指导无人机在未知无图等典型场景中进行无碰撞的探索飞行或导航飞行。

摘要：针对渔场巡检导航出现的行驶速度慢、安全系数低等问题,文中提出一种RTK⁃GAN⁃CNN⁃MFAC组合导航系统。在大范围内,使用实时差分定位(RTK)获取巡检机器人的准确位置,通过无模型自适应控制(MFAC)方式控制巡检机器人运行速度并按照既定路线行驶。采用单目相机获取障碍物图片数据,通过生成式对抗网络(GAN)对图片进行处理;然后设计卷积神经网络(CNN)训练分类模型,通过模型对巡检机器人行驶中的实时图片进行分类处理,若识别到巡检机器人前方存在障碍物,则切换为GAN⁃CNN⁃MFAC视觉避障,对障碍物进行避障。实验结果表明,RTK⁃GAN⁃CNN⁃MFAC组合导航系统在无障碍物时运动速度较快,遇到障碍物时可以安全避开,具有良好的有效性和实时性。

摘要：为实现移动机器人的避障功能,文中提出了一种基于深度学习的移动机器人视觉避障系统,该系统通过深度学习训练得到基于卷积神经网络的图像分类器,使用迁移学习技术缩短分类器的训练时间,基于ROS操作系统进行避障功能的设计与实现。分析预设概率值对避障效果的影响,在合适的线速度、角速度与预设概率值的条件下测得避障成功率约为93%。测试结果表明,系统具有较好的避障能力,对不同环境和障碍物有良好的适应性。