基于改进D^(*)Lite算法的移动机器人路径规划

针对在动态环境下采用D^(*)Lite算法进行移动机器人路径规划时存在的搜索效率低、路径不平滑、容易与障碍物顶点碰撞等问题,提出一种基于危险因子和三次均匀B样条曲线的改进方法。首先,进行函数优化,当扩展邻节点时,将传统启发函数计算方法改为对角线距离,以提升规划效率,并在节点代价中融合危险因子,以避免机器人斜向移动时斜穿障碍物尖角而与其发生碰撞;其次,结合三次均匀B样条曲线对路径进行拟合优化,使路径更加平滑。针对上述改进,采用PyCharm软件进行仿真,结果表明,改进后的算法有效提升了路径规划的效率及路径的安全性、实用性。

基于改进YOLOv4的交通指示牌检测算法

YOLOv4算法广泛应用于交通标志检测且取得了较好的检测效果,但YOLOv4参数量大、实时性不足,对背景复杂的目标特征提取不明显,因此提出了一种基于改进YOLOv4的交通指示牌检测算法。首先,以轻量级网络Mobilenetv2为主干特征提取网络,参数量较原网络降低76.72%,实现了网络轻量级;其次,对Mobilenetv2提取的初步特征层在上采样部分嵌入注意力机制ECANet,以提高被遮挡及背景复杂目标检测能力,同时加入空洞空间卷积池化金字塔,以提高小目标的感受野;最后,完善损失功能,对难易分级的样本和权重进行控制,以提高检测准确率。相比原算法,改进YOLOv4算法的检测精确度提高了5.21%,检测速度达到64帧/s,提升了56.1%。与其他检测算法相比,改进的YOLOv4算法对有遮挡、背景模糊及小目标的交通指示牌有较高的准确度,能够满足实时检测的需求。