基于深度学习的移动机器人自主导航实验平台
时间：2022-09-28 09:30:06 来源：柠檬阅读网 本文已影响 人 
占宏 叶德禧
关键词：移动机器人;自主导航;深度学习;卷积神经网络
随着计算机和自动控制等技术的快速发展，移动机器人已经被应用于工业制造、医疗服务、物流分拣等领域。与传统工作环境稳定、内容单一的应用相比，移动机器人的应用场景将越来越复杂，这也对自主导航这一关键技术提出了更高的要求。通常移动机器人系统通过传感器来感知周围环境，如激光传感器、超声波传感器、视觉传感器等，但由于携带传感器有限，大部分系统决策和控制能力不足。因此，提高系统导航的智能性和自主性，对移动机器人快速适应复杂的工作环境至关重要。
将深度学习算法与自主导航相结合，设计并开发了基于深度学习的移动机器人自主导航实验平台。该平台包括树莓派4B上位机、STM32F103RC下位机、电机及其驱动、传感器等，系统利用小型且易于训练的卷积神经网络，仅由移动机器人摄像头获取的RGB图像即可计算出导航控制信号，从而避免了复杂的特征工程和规划策略，提高了系统导航的自主性。在所搭建的移動机器人平台上进行自主导航实验，结果表明该系统不仅在已知环境中可以很好地跟随路线并规避障碍物，而且能够在一定程度上规避未知障碍物实现自主导航，这对于移动机器人适应复杂的工作场景有着重要意义。
1移动机器人平台
1.1平台硬件系统
所搭建的移动机器人平台如图1所示，硬件系统主要包括底盘、电机及其驱动、传感器、下位机、上位机和电气连接六个部分。底盘采用麦克纳姆轮，其轮毂轴与辊子转轴成45°角，可保证机器人全向运动。采用TB6612FNG电机驱动，通过控制INl和IN2高低电平以及输入PWM占空比可调整电机控制模式以及输出平均电压，从而控制GB37520直流减速电机的转向与转速。传感器部分包括具有增量式输出的霍尔编码器和LETMC-520摄像头，前者AB相输出的脉冲速度和相位差分别代表电机转速和转向信息，后者仅使用其输出的RGB图像且像素为1080p。下位机采用32位ARM微控制器STM32F103RC核心板，主要负责执行传感器数据采集任务、底盘控制任务和通信任务。上位机采用树莓派4B，主要负责算法的实现与运行、采集传感器数据以及与下位机进行通信。上位机与摄像头之间通过USB2.0进行双向通信，平台上层和下层之间采用数据帧的格式，通过USB-TTL模块进行双向通信。下层使用航模电池作为电源，分别通过稳压模块和电机驱动板向下位机、霍尔编码器等模块提供电源。下位机向电机驱动发送PWM和电机驱动模式控制信号，同时从霍尔编码器读取电机的转速和转向信息。
1.2平台软件系统
移动机器人平台软件系统设计如图2所示，上位机在Ubuntu Matel8.04下基于机器人操作系统ROS进行开发。底盘控制节点负责订阅/cmd_vel话题，提取其中的底盘目标线速度和角速度信息，并通过逆运动学将其转换为电机的目标转速发送给下位机。同时，节点从下位机获取底盘运动状态数据，并发布相应话题。下位机软件设计采用c语言编程，使用操作系统FreeRTOS进行任务调度管理。下位机对霍尔编码器脉冲输出进行正交解码并解析出电机转速和转向信息，同时采用PID控制器控制四个电机的转速使底盘以目标速度运动。
2基于深度学习的自主导航方法
2.1深度学习模型
采用卷积神经网络（convolutional neural net-works，CNN）模型，包括图像模块和动作模块，其架构如图3所示。该神经网络以分辨率为160×80的RGB图像作为输入，最终输出为转向控制信号。其中，五个卷积层均采用ReLU函数进行激活且过滤器数量分别为32、64、96、128、256，每层后加入批标准化层和20%的dropout层;滑动窗口大小分别为5、3、3、3、3，步幅均为2。紧跟着是四个单元个数分别为128，64，64，16的全连接层，每层同样采用ReLU函数进行激活，前两个全连接层后加入批标准化层和50%的dropout层，后两个全连接层后仅加入50%的dropout层。
2.2模型训练
在半开放的室外走廊环境下，操作者利用PS2手柄控制移动机器人沿规定路线运动并避开障碍物，来收集观察一动作对数据，其中观察为摄像头获取的RGB图像，动作为移动机器人转向控制信号。经实验共收集包含106623个数据的数据集，其中约4/5的数据是在无障碍物情况下收集且其中相当一部分数据注入了噪声，其他约1/5为躲避障碍物情况下收集且未注入噪声。在无障碍物数据中，以0.1作为判断阈值，如果转向控制信号的绝对值大于该阈值，则将该情况视为转角，反之则视为直道。经统计，转角数据占总数据的比例为14.94%，有障碍物数据占总数据的比例为22.02%，其余为直道数据。将所收集数据数量按约3：1：1分为训练集、验证集和测试集，并对所收集数据进行归一化，图像的每个像素值被归一化到[0，1]区间，转向控制信号被归一化到[-1，1]区间。在训练过程中，使用RMSProp优化器来更新网络参数，通过观察训练过程中模型在训练集和验证集上的表现来调整训练的超参数。将均方误差MSE作为网络的损失函数、平均绝对误差MAE作为训练过程监控指标，通过实验观察神经网络模型训练不同轮次时在训练集和验证集上的性能，其结果如图4所示，可以看出训练20个轮次时可得到较好的模型。
将训练好的模型在测试集上进行评估，其在测试集上的均方误差和平均绝对误差分别为0.039和0.102，说明预测转向控制信号与目标转向控制信号平均相差0.102，表明模型训练取得了较好效果，其输出基本符合预期。
3自主导航实验
利用Keras和TensorFlow对深度学习模型进行学习，采用Python编程，模型在训练端上经过训练和评估后再移植到部署端使用。在上位机ROS环境中自主导航节点预先使用Keras和TensorFlow读取训练好的卷积神经网络模型，通过订阅/camera/rgb/image_raw话题以固定周期获取摄像头的RGB图像，将其输入模型获取输出的转向控制信号，并经过反归一化与一阶低通滤波处理得到移动机器人的目标角速度，同时发布/cmd_vel话题，ROS中的底盘控制节点订阅/cmd_vel话题以控制移动机器人运动。实验中设计了四条路线，分别记为路线1、路线2、路线3和路线4，如图5所示，四条路线上各放置一已知障碍物。
移动机器人进行自主导航实验时，其目标线速度设为0.3m/s，分别在每条路线上运行5次，当其偏离指定路线超过5 s或与障碍物发生碰撞时即进行人工干预使其返回路线，根据干预次数和完成路线运动时间来评估模型的表现。通过实验得到移动机器人在每条路线上的平均干预次数和平均完成时间结果如表1所示，可看出移动机器人在路线4上的平均干预次数较多，在其他路线上均较少。对于相同距离的路线，如路线1和路线4，路线2和路线3，平均完成时间基本相同，表明移动机器人在不同路线中可以保持较一致的前进速度进行自主导航。由实验验证了移动机器人在已知环境中可以较好地跟随路线和躲避已知障碍物。路线存在未知障碍物（纯净水空桶）的情况下，对移动机器人进行自主导航实验，观察移动机器人运动过程如图6所示，可以看出移动机器人以一定的速度前进，到达障碍物附近时较好地避开了未知障碍物并回到原运动路线上。上述实验表明所设计的移动机器人能够避开未知障碍物，同时验证了用于自主导航的神经网络模型具有较好的泛化性能。
4结论
本研究设计并开发了基于深度学习的自主导航移动机器人系统。以摄像头获取的RGB图像作为一小型且易于训练的卷积神经网络的输入，直接输出导航控制信号，不仅降低了成本，而且避免了复杂的特征工程和规划策略。通过实验对系统的有效性进行了验证，结果表明该系统具有较好的自主导航性能，对于移动机器人适应复杂环境作业（如地质科考、地震救援等）有着重要参考价值。同时，可为机器人工程专业提供教学实践平台，通过开展相关应用拓展，促进学生创新实践能力的培养。896ED2A5-8C9B-40F1-A25F-C80015160D86
猜你喜欢 移动机器人卷积神经网络深度学习 世界技能大赛移动机器人底盘选择与控制研究电子产品世界(2021年5期)2021-02-09拉货机器人设计(2020年24期)2020-01-25移动机器人技术的应用与展望现代职业教育·中职中专(2018年11期)2018-06-11基于深度卷积神经网络的物体识别算法计算机应用(2016年12期)2017-01-13MOOC与翻转课堂融合的深度学习场域建构新教育时代·教师版(2016年23期)2016-12-06大数据技术在反恐怖主义中的应用展望法制与社会(2016年32期)2016-12-01深度学习算法应用于岩石图像处理的可行性研究软件导刊(2016年9期)2016-11-07基于深度卷积网络的人脸年龄分析算法与实现软件工程(2016年8期)2016-10-25移动机器人图像目标识别科学与财富(2016年28期)2016-10-14基于卷积神经网络的树叶识别的算法的研究电脑知识与技术(2016年10期)2016-06-16
