基于卷积神经网络的无人机自主避障方法研究

摘要

近年来，人工智能技术取得了高速发展，无人机的智能化应用也成为了大势所趋。在无人机的智能应用中，自主系统能够安全可靠地避障是至关重要且具有挑战性的问题。文章面向准确安全的无人机自主避障问题，使用轻量级的传感器——单目相机，研究基于卷积神经网络的避障方法。课题搭建的无人机自主避障系统分为前端后端两部分，其中前端用于感知无人机周围环境；后端将前端感知的空域信息与时域信息结合，生成无人机控制指令。本课题的研究内容如下：　　首先，设计基于卷积神经网络无人机自主避障的系统框架。面向减轻无人机载重，降低系统运行时延，课题研究使用单目摄像头的无人机自主避障方法。理解学习单目相机框架以及深度神经网络的理论，为下一章设计轻量级卷积网络奠定基础。由于从无人机传回的原始图像存在噪声，且原始图像的部分区域包含环境特征信息少，直接使用原始图像会影响卷积网络的工作效果。面向上述问题，研究对输入图像的预处理方法，裁剪掉关键特征少的图像区域，使用滤波算法对图像降噪。研究自主避障所需要的数据集形式，搭建转向角和碰撞概率数据集。　　然后，学习轻量级网络单元搭建元素，引出轻量级网络设计理念，提出效率高的网络单元。面向实时、可靠的无人机感知，依托网络单元，提出轻量级网络模型。针对系统需要同时对转向角和碰撞概率预测的要求，研究设计单输入多输出网络模型及其训练方法。该模型对环境感知可靠且耗时低。本章实现了系统前端设计。　　接下来，面向平稳、灵敏的无人机控制，研究将预测值转换为控制指令的映射决策方法。理解学习滤波算法，分别针对转向角预测和碰撞概率预测的特点，提出使用改进的滤波算法将空域特征与时域特征结合，并生成映射决策方法。在某些场景下，仅改变转向角以及前向速度来避障的方式将会导致无人机“悬停”。针对上述问题，课题利用无人机六自由度，研究通过改变俯仰角来使无人机飞跃障碍物的方法解决“悬停”问题；探究快速、准确、有效的俯仰角映射方法。本章实现了系统后端设计。　　最后，文章仿真验证了网络模型的有效性以及映射方法的有效性，在真实环境中对系统的避障能力进行了测试，实验证明了系统的有效性。

目录

声明

第1章 绪论

1.1课题的研究背景及意义

1.2国内外研究现状

1.3研究内容与目标

1.3.1基于CNN的无人机预测系统（前端）

1.3.2映射决策控制系统（后端）研发

1.4本文的组织结构

第2章 系统体系以及理论基础

2.1无人机自主避障系统框架

2.2四旋翼无人机模型和坐标系

2.3单目相机模型

2.4深度神经网络理论基础

2.4.1卷积神经网络

2.4.2卷积层

2.4.3激活函数

2.4.4池化层

2.4.5全连接层

2.4.6过拟合

2.5输入图像预处理

2.6数据集搭建

第3章用于预测的网络模型设计

3.1轻量级网络单元

3.1.1组卷积(Group Convolution)

3.1.2深度可分离卷积(Depth-wise Separable Convolution)

3.1.3点卷积(Pointwise Convolution)

3.1.4残差网络模型

3.1.5通道混洗(Channel Shuffle)

3.2轻量级网络设计理念

3.2.1轻量级网络设计准则

3.2.2轻量级网络单元设计

3.3网络模型

3.4本章小结

第4章无人机控制系统设计

4.1后端映射机制

4.1.1低通滤波(Low Pass Filter，LPF)

4.1.2巴特沃斯低通滤波算法

4.1.3碰撞概率映射

4.1.4转向角映射

4.1.5俯仰角映射

4.2无人机系统硬件平台

4.3基于ROS的无人机控制系统

4.4本章小结

第5章验证仿真与稳定性分析

5.1回归任务和分类任务的评估指标

5.2网络性能测试

5.3不同形式输入图像对系统影响的探究

5.4高维数据可视化模型监测

5.5控制命令处理

5.6运行时间分析

5.7系统在实际室内/室外环境中控制无人机的性能

5.7.1户外测试

5.7.2室内

5.8实验小结

结 论

致谢

参考文献

攻读硕士学位期间的科研成果