联合残差网络和最近点迭代的机器人重定位

针对机器人遭遇绑架、系统故障重启而产生的定位丢失问题,提出一种基于ResNet的机器人重定位方法。所提方法将重定位分为基于残差网络(residual network,ResNet)的粗匹配和基于最近点迭代(iterative closest point,ICP)细匹配2个阶段。在粗匹配阶段,将激光点云数据转换为图像,然后将相邻时间的图像堆叠成多通道图像作为ResNet的输入,以增强图像的时序特征。在细匹配阶段,ResNet输出机器人的预测位置,并将预测结果作为ICP算法的初值进行点云细匹配,从而获取最终位姿。对于相似环境,提出动态重定位方法,通过移动机器人进行多次重定位避免误匹配的情况。仿真实验结果表明:该方法与增强蒙特卡罗定位(augmented Monte Carlo localization,AMCL)算法进行了对比,定位用时降低了8.2s,定位成功率提升了43.4%,证明了该算法具有更好的重定位效果。

基于改进YOLOv2模型的多目标识别方法

在YOLOv2算法的基础上,根据实际道路环境的变化对YOLOv2-voc的网络结构进行改进,基于ImageNet数据集和微调技术得到分类训练网络模型,根据训练结果与车辆目标特征的分析,对算法参数进行修改,获得改进的车型识别分类网络结构模型YOLOv2-voc_mul。为验证所提模型的有效性,分别对简单背景和复杂背景下的样本进行检测,并与YOLOv2、YOLOv2-voc和YOLOv3模型在迭代70000次后的检测结果进行了对比。实验结果表明:在简单背景下,YOLOv2-voc_mul模型的精度可达99.20%,不同车型的平均精度均值达到了89.03%;在复杂背景下,YOLOv2-voc_mul模型对4种车型在单目标和多目标的检测下平均准确率达到了92.21%和89.44%,具有较高的精确度、较小的误检率和良好的鲁棒性。