基于CNN的轻量级视觉感知方法,用于评估无人驾驶地面车辆的当地环境复杂性
Tulin Li1, Xiufeng Zhang1, Yingbo Huang1
1Yunnan Key Laboratory of Intelligent Control and Application, Faculty of Mechanical and Electrical Engineering, Kunming University of Science and Technology, Kunming 650500, China.
Sensors (Basel, Switzerland)
|February 13, 2025
概括
本研究介绍了无人地面车辆 (USV) 的视觉感知方法,使用轻量级卷积神经网络 (CNN) 和方向角. 它增强了环境检测,以优化路径规划,提高了21%的效率.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 无人驾驶地面车辆 (USV) 需要有效的环境检测来优化路径规划.
- 现有的启发式算法与环境感知不足作斗争.
- 整合实时环境数据对于提高USV导航至关重要.
研究的目的:
- 为USVs开发一个全面的视觉感知方法.
- 提高启发式算法的环境检测能力.
- 提高USV的路径规划效率和性能.
主要方法:
- 使用了带有残余学习块的轻量级卷积神经网络 (CNN).
- 美国有线电视新闻网利用了多功能输入,包括当地环境图像和实时定向角度.
- 人类专业知识通过多数投票系统被纳入直观的标签分类.
主要成果:
- 开发的模型实现了80%的尺寸缩小,同时保持了90%以上的准确性.
- 启发式算法的环境识别能力得到了显著改进.
- 总体而言,USV路径规划性能增加了大约21%.
结论:
- 拟议的方法为USVs提供了类似人类的全面感知能力.
- 这种方法提高了启发式算法的环境识别和路径规划效率.
- 该方法为优化USV搜索和导航提供了强大的解决方案.
