基于深度级联神经网络的自动驾驶运动规划模型

针对基于规则的运动规划算法需要预先定义规则和基于深度学习的方法没有利用时间特征的问题,提出一种基于深度级联神经网络的运动规划模型。该模型将卷积神经网络(CNN)和长短期记忆网络(LSTM)这两种经典的深度学习模型进行融合并构成一种新的级联神经网络,分别提取输入图像的空间和时间特征,并用以拟合输入序列图像与输出运动参数之间的非线性关系,从而完成从输入序列图像到运动参数的端到端的规划。实验利用模拟驾驶环境的数据进行训练和测试,结果显示所提模型在乡村路、高速路、隧道和山路四种道路中均方根误差(RMSE)不超过0.017,且预测结果的稳定度优于未使用级联网络的算法一个数量级。结果表明,所提模型能有效地学习人类的驾驶行为,并且能够克服累积误差的影响,适应多种不同场景下的路况,具有较好的鲁棒性。

基于级联深度神经网络的车辆位姿融合估计

在复杂的城市环境下,全球导航卫星系统信号失效时,现有利用单目相机或惯性导航系统估计车辆位姿的方法存在严重的累积误差。针对以上问题,提出了一种基于级联深度神经网络(CDNN)的车辆位姿融合估计算法。首先,设计了一种级联深度神经网络,减小单目相机因尺度模糊和尺度漂移造成的累积误差;其次,为了减小引入的器件噪声,利用简化惯性传感器系统(RISS)获取车辆横向、纵向加速度和横摆角速度。为了减小系统中不确定噪声的影响,利用H∞滤波融合CDNN和RISS的输出,在准确估计车辆位姿的同时保证高频输出。在KITTI数据集上的实验结果表明,与基于卡尔曼滤波的方法相比,本文算法估计得到的东向位置均方根误差(RMSE)减小了41.3%,北向位置RMSE减小了70.6%,航向角RMSE减小了66.6%。

深度级联CNN下机械手故障残差阈值超范围判定

全驱动机械手的结构采用PC机为上位机,大量的串联结构导致精准传动难度较大,适应负载能力较差。相比之下,欠驱动机械手结构更简单,可实现多于控制输入的自由度,但是,当连杆式欠驱动机械手出现故障时会产生自振,故障特征难以获取,信号残差阈值超出范围时无法精准判定。为此,研究一种连杆式欠驱动机械手故障残差阈值超范围判定方法。构建深度级联卷积神经网络,提取每组故障信号深层意义特征,计算故障信号残差值。利用连接层降维转换,使信号归一化处理。通过插值层提取机械手形状和点级别,输出故障信号预测标签。设计深度级联卷积神经网络信号观测器,跟随机械手运行实时更新数据,设置特征点残差阈值,以此为依据判定该特征点是否为故障点。实验测试结果证明:研究方法能够精准根据故障残差信号的输出判断连杆式驱动机械手的故障位置,且收敛速度较快、误差较小。