基于双重稳健回归的果树行间可行驶区域识别算法

【目的】提出一种复杂环境下以天空为背景的果树行间可行驶区域识别算法,以便农业机器人导航系统中工作路径的提取。【方法】通过蓝色分量(B分量)进行树冠和背景天空的分离,改进Otsu算法实现更好的分割效果,形态学处理后根据树顶分布规律,进行动态阈值“V形”感兴趣区域寻找及特征点提取,使用泰尔−森稳健回归剔除干扰点后,使用随机采样一致性(Random sample consensus,RANSAC)算法进行拟合,得到树顶处直线,通过斜率变换关系得到可行驶区域边缘直线斜率,利用剔除后特征点信息和剔除阈值获得关键点坐标,以斜率为约束条件,代入关键点,得到可行驶区域边缘直线方程,并使用最小二乘法进行拟合,以此实现可行驶区域识别。【结果】试验结果表明,本文双重稳健回归算法较泰尔−森算法和RANSAC算法平均偏差角度分别减小了8.28%和9.88%,标准差分别减少了6.25%和22.89%,准确率分别提高了4.64%和10.49%。【结论】研究结果可为农业机器人在大多数标准化果园复杂环境中的可行驶区域识别和路径提取提供研究思路。

复杂交通环境下基于多任务学习的道路感知方法

针对复杂交通环境下道路感知能力差、鲁棒性低的问题,提出了一种复杂交通环境下基于多任务学习的道路感知网络(Multi-task Learning-based Road Perception Network in Complex Traffic Environment,MLRPNet),可以在复杂交通环境下有效地学习到道路目标的特征信息,提高复杂交通环境下道路感知的准确性和鲁棒性。MLRPNet由一个用于特征提取的编码器和2个分别处理车道线检测与可行驶区域识别的解码器组成,特征提取器由4个残差块构成的主干网络ResNet34实现,车道线检测解码器采用Transformer提取特征图上对应车道线锚点的全局信息,可行驶区识别解码器采用空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块提高在复杂交通环境下对道路特征的提取能力。在BDD100K数据集上的对比实验结果证明了MLRPNet通过2类任务的共性增强特征提取能力,能够在保证高效率的同时有效提高道路感知的准确性,适用于复杂交通环境下的道路感知任务。