基于改进PRM算法的机器人路径规划

概率路线图(Probabilistic Roadmap, PRM)算法是移动机器人领域常用的路径规划算法。针对传统PRM算法存在采样点分布不均匀、路线图构建效率低以及路径冗余不平滑等问题,提出了一种改进PRM算法。使用二维Sobol序列优化采样策略,保证采样点全局均匀分布,优化采样点的覆盖面积,提高了采样点的质量;其次,对采样点进行邻域分类并施加连接约束,使相邻邻域采样点进行连接,减少路线图的大小,提高了路线图的构图和搜索效率;接着,使用节点平移优化算法优化节点位置,使优化路径符合实际空间中的最优路径;最后,使用贝塞尔曲线平滑路径拐点,使生成的路径更符合机器人的实际运动约束。大量仿真实验结果表明,改进PRM算法可以有效提升规划路径的质量且受采样点数量的影响较小。相比于传统PRM算法和其他改进PRM算法,提出的PRM算法在路径长度、运行时间和成功率上具有明显优势。

廉价卷积和解耦注意力的轻量化图像分割网络研究

近年来,基于二阶段模型的图像分割网络凭借其卓越的性能和鲁棒性,在自动驾驶、医疗等多个领域得到广泛应用.然而,这类网络的庞大模型和复杂计算量严重限制了它们在低算力、低功耗的移动端嵌入式平台上的部署.为此,本文提出了一种新的轻量级二阶段分割网络CDViT Mask R-CNN,通过采用廉价卷积和长距离解耦注意力机制(DFC)对Mask R-CNN这一图像分割领域主流模型的backbone进行重构,在平均精度(mAP)仅下降了0.4%情况下,模型整体尺寸缩减了46.5%,推理帧率(FPS)提升了12.6%.此外,本文借助DFC特性,采用基于掩模恢复的知识蒸馏策略对模型进行多尺度蒸馏,以补偿模型轻量化后的精度损失,使蒸馏后的模型精度提高了1.2%.实验结果表明,本文提出的模型在分割任务中具有更好的速度与精度权衡.

基于多尺度融合和高阶交互的单目3D检测算法

三维目标检测是三维场景理解的一项基础性和挑战性的任务,基于单目视觉的方法可以作为基于立体或基于雷达方法的经济替代。该文提出了一种基于MonoDLE改进的单目3D检测算法,用于优化由尺寸形状与3D位置偏差产生的精度损失。首先,提出了一个通用的多尺度池化注意力模块用于聚合更精细的多尺度特征并且高效地联系上下文信息。其次,为了增强模型的高阶空间交互能力,还提出了由递归门控卷积和分组归一化构成的递归门控卷积块,用于替代基线架构上采样模块的卷积层,有效提升上采样模块的表征能力。在单目3D检测通用数据集KITTI上的实验表明:经过多尺度池化注意力模块提高网络聚合特征的能力后,在3D视角且交并比大于0.7的标准情况下,该算法的平均检测率指标AP 40从13.66提升到15.10;经过递归门控卷积块增强模型的高阶空间交互能力后,在3D视角且交并比大于0.7的标准情况下,该算法的平均检测率指标AP 40再次从15.10提升到15.53;在两个模块协同作用下,在鸟瞰图视角且交并比大于0.7的标准情况下,该算法的平均检测率指标AP 40同样从19.33提升到21.95。