| 题名 | 面向移动机器人的室内环境物体语义主动获取与增量学习方法研究 |
| 作者 | 韩小宁 |
| 答辩日期 | 2021-05-20 |
| 授予单位 | 中国科学院沈阳自动化研究所 |
| 授予地点 | 沈阳 |
| 关键词 | 移动机器人 语义信息获取 物体发现 主动物体识别 类别增量学习 |
| 学位名称 | 博士 |
| 其他题名 | Research on Active Acquisition and Incremental Learning Methods of Object-level Semantic Information for Mobile robots in Indoor Scene |
| 学位专业 | 机械电子工程 |
| 英文摘要 | 自世界上第一台机器人诞生以来，让机器人替代人类从事繁琐的各种劳动，便一直存在于人类的幻想之中，激励着人们不断对机器人技术进行探索。人与机器人在室内环境共存是机器人技术未来发展的趋势。感知环境并建立地图是实现人机共存的基础之一。相较于空间地图，语义地图能够赋予室内移动机器人更高的智能，受到了研究人员的广泛关注。获取环境语义信息是构建语义地图的关键步骤，其中，物体的类别信息是环境语义描述的重要内容。目前，因其对人类参与的依赖度低，在不同场景中具有较强的通用性，基于计算机视觉技术的方法，如物体识别、物体检测或语义分割等方法，成为语义获取的主要方法。目前，利用物体识别获取物体语义的研究有两方面的局限：其一，当前研究多关注于利用被动采集的图像进行识别，缺少对于机器人能动性的考虑；其二，计算机视觉中的识别方法多存在闭集约束，无法应对机器人长期作业所面临的开放世界挑战。针对上述两点，本论文对主动物体识别与类别增量学习问题进行研究。同时，在环境中进行物体识别前，需要定位环境中的潜在物体，因此，我们首先对环境中物体发现任务展开研究。对于物体发现任务，本文根据物体的显著性以及物体多放于支撑平面上的特点，提出了基于显著性启发的室内环境物体发现方法。为提升在室内环境中进行平面检测的效率，我们根据逆深度图像中的平面表达形式，提出一种基于区域生长的逆深度图像中的平面检测方法，借助网络局部撒种方法、贪婪生长策略及表面法向信息，实现了从图像中直接进行平面检测的方法。基于上述平面检测方法，进一步利用环境中物体的显著性信息生成种子，以支撑平面作为几何约束对种子进行筛选，利用区域生长从图像中分割出潜在物体。在实验中，我们利用公开数据集对平面检测算法的检测率、精度及效率进行了评估，并验证了本方法在室内环境中进行物体发现的可行性。受一阶段物体检测方法启发，本文探索了利用深度学习方法进行物体发现的可能性。物体检测任务与物体发现任务具有一定的相似性，都需要对物体进行定位。我们设计了一个用于物体发现任务的神经网络结构。该网络输入为RGBD图像，以充分利用深度图像中的空间信息。网络同时输出物体包络框信息及物体性度量。并针对物体发现任务设计了相应的误差函数，利用权重来平衡物体性度量及定位两个子任务间的误差。通过不同数据集上的实验，证明了利用深度图像作为补充输入可提升该物体发现方法的表现，同时也验证了该方法在简单场景进行物体发现的可行性。针对主动物体识别问题，本文将其建模为马尔科夫决策过程。通过将深度Q学习网络应用于主动识别任务，以机器人拍摄的图像及目标物体的包络框作为当前机器人的状态表达，并根据识别结果设计了相应的奖励函数，实现了基于深度Q学习的单步动作决策方法。针对移动机器人在主动物体识别中的动作控制需求，进一步提出了基于深度Q学习网络的多步动作决策方法。将动作分解为动作种类及动作幅度，相应地，在深度Q学习网络中引入决斗结构，以同时预测动作种类及动作幅度，从而实现了多步动作决策。最后，在主动视觉数据集中实验，验证了利用深度Q学习网络进行主动物体方法的可行性。通过与单步动作决策对比，证明了使用多步动作决策方法能进一步提升识别效率。面对机器人长期作业面临的开放世界挑战，类别增量学习方法是潜在的解决方案。在类别增量学习中，可能面临的问题包括：新旧样本间的不平衡，以及增量学习可能导致的灾难性遗忘。基于类别表达的类别增量学习方法使用预训练的神经网络作为特征提取器，避免了重新训练网络，从而一定程度上抑制了遗忘旧类别。本文进一步将特征分布考虑到类别表达中，通过正态化检验，发现每个类别的绝大多数特征可以接受其服从正态分布的假设。本文提出利用正态分布拟合特征的类条件概率分布，利用样本均值及方差表征新类别，并使用高斯朴素贝叶斯分类器实现查询样本分类，从而实现类别增量学习。本方法对于每个新类别仅存储均值及方差，所需存储空间随类别数据线性增长，显著地减少了对于存储空间的需求。在实验中，与典型的几种类别增量方法作对比，本文提出的方法取得了最好的分类结果，证明了本方法进行类别增量学习的有效性。通过消融实验，进一步分析了本方法对每类样本数量的需求，发现本方法需要一定数量的样本才能获取较好的分类结果。 |
| 语种 | 中文 |
| 产权排序 | 1 |
| 页码 | 106页 |
| 内容类型 | 学位论文 |
| 源URL | [http://ir.sia.cn/handle/173321/29007]  |
| 专题 | 沈阳自动化研究所_空间自动化技术研究室 |
| 作者单位 | 中国科学院沈阳自动化研究所 |
| 推荐引用方式 GB/T 7714 | 韩小宁. 面向移动机器人的室内环境物体语义主动获取与增量学习方法研究[D]. 沈阳. 中国科学院沈阳自动化研究所. 2021. |
| 个性服务 |
| 查看访问统计 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
修改评论