移动机器人中视觉里程计技术综述

视觉里程计（VO）是实现移动机器人自主导航的主要技术之一,不同类型的VO技术在不同应用场景中受环境和硬件计算能力的影响,导致其性能各有优劣。概述VO技术的发展历程,对基于传统几何和基于深度学习的两类VO技术的性能进行对比与分析,重点介绍传统VO技术中特征点法的原理及其改进方法。在此基础上,归纳VO领域常用的公共数据集并对部分现有方法进行对比评测,为VO技术的实际应用提供参考和借鉴,并展望该领域未来的发展方向。     

基于自适应方向导数滤波器的彩色边缘检测

传统彩色边缘检测算法在提高边缘检测准确性时可能将噪声检测为边缘,而在提高噪声鲁棒性时会将部分边缘当作噪声进行抑制,导致部分边缘信息丢失。为解决传统彩色边缘检测算法在边缘检测准确性与噪声鲁棒性之间的矛盾问题,提出一种基于自适应各向异性高斯方向导数（ANDD）的彩色边缘检测算法。通过彩色图像的微分自相关矩阵构建反映边缘类型的度量准则,以自适应地确定每个像素处ANDD滤波器的形状,从而准确提取不同类型的边缘特征,采用ANDD滤波器组对图像进行平滑处理,提取在三个通道上的ANDD特征。在此基础上,利用奇异值分解得到最优融合权值,并融合三个通道的ANDD特征,以增强彩色边缘强度。实验结果表明,该算法在无噪声和含噪声环境下的Pratt品质因子分别为0.849 6和0.791 4,与彩色Canny、RCMG-MM和FRPOS算法相比,在保持较高边缘检测准确率的同时具有较优的噪声鲁棒性。     

基于强化学习的路径规划技术综述

路径规划作为移动机器人自主导航的关键技术,主要是使目标对象在规定范围内找到一条从起点到终点的无碰撞安全路径。阐述基于常规方法和强化学习方法的路径规划技术,将强化学习方法主要分为基于值和基于策略两类,对比时序差分、Q-Learning等基于值的代表方法与策略梯度、模仿学习等基于策略的代表方法,并分析其融合策略和深度强化学习方法方法的发展现状。在此基础上,总结各种强化学习方法的优缺点及适用场合,同时对基于强化学习的路径规划技术的未来发展方向进行展望。     

基于多目标快速探索随机树的移动机器人巡检路径优化方法

针对移动机器人需要访问多目标的巡检路径规划问题,该文提出一种多目标快速探索随机树路径优化方法。首先,根据提供的环境地图与巡检目标点,该文采用一种 RRT-Connect-ACO 算法得到目标点的巡检顺序和可行路径;然后,通过引入信息子集,对路径进行优化,得到最终的最优路径。实验结果表明,与现有的多目标路径规划算法相比,该方法考虑了地形的影响,得到的最优路径更符合实际情况。     

图像场景分类技术综述

目前,基于计算机视觉分析的图像场景分类技术已被广泛研究并应用在众多学科领域中.本文从不同角度对近年来典型的场景分类技术进行了深入的探讨与比较.首先介绍了场景分类技术的背景、应用场景以及发展现状;然后基于特征提取、语义分析和机器学习的角度分别对国内外的相关研究进行系统的分析、比较及总结;最后对目前研究所面临的问题和未来技术的发展给出总结与展望.     

自动驾驶场景下的轨迹预测技术综述

轨迹预测是自动驾驶和智能交通领域的关键技术,对于车辆和移动行人轨迹的准确预测可提升自动驾驶系统对周围环境变化的感知能力,保障自动驾驶系统的安全性。数据驱动轨迹预测方法可捕捉智能体之间的交互特征,对场景内智能体历史运动和静态环境信息进行分析,准确预测智能体的未来轨迹。介绍轨迹预测的数学模型并将其分为传统轨迹预测方法和数据驱动轨迹预测方法 2类,阐述主流数据驱动轨迹预测方法所面临的智能体交互建模、运动行为意图预测、轨迹多样性预测、场景内静态环境信息融合等4个主要挑战,从轨迹预测数据集使用、性能评价指标、模型特点等方面出发对典型数据驱动轨迹预测方法进行分析与对比,总结归纳这些典型数据驱动轨迹预测方法针对上述挑战的解决思路和应用场景,并对自动驾驶场景下轨迹预测技术的未来发展方向进行展望。