论文部分内容阅读
移动机器人在野外执行军事侦察、抢险救灾、农林作业等任务时，准确、快速的地形分类是保证这些特定任务完成的关键。针对传统地形分类方法存在的一些问题与实际森林环境地形分类系统的需要，本文使用组合特征来描述环境信息，然后使用Fuzzy ARTMAP分类器作为地形主分类器进行野外环境地形分类，从而满足机器人对地形分类的准确性、快速性与稳定性的需求。本文研究的主要内容包括：
1．图像特征组合策略研究，针对目前广为使用的单一特征描述环境的局限性，本文在比较使用各单一图像特征进行地形分类的基础上，着重研究组合特征的组合策略问题，以寻求在森林环境下的最佳特征组合方法。本文提出了使用颜色、纹理与几何形状矩的组合特征来表示环境地形信息，这种组合特征不仅对光照变化具有一定的独立性，而且对于图像的旋转、平移和尺度变化都具有不变性。从而保证了机器人在图像颜色对比度比较突出的地形图像中正确的完成地形分类，而且在图像背景与前景颜色比较相近的图像中通过特征补充的方式正确的完成地形分类。
2．地形分类方法研究与分类器设计，在机器人地形分类器设计研究中，BP神经网络、SVM、KNN等分类器被广泛的使用。本文对这些传统分类器的基本原理、适用场景以及优缺点进行了详细的分析与介绍。基于对各分类器性能与使用场景的分析，本文提出了使用Fuzzy ARTMAP分类器作为机器人地形分类的主分类器。在地形分类方法研究中，目前广为使用的地形分类方法是使用机器学习的方法来训练适合实际应用的地形分类器，然后应用此分类器来对机器人前方地形进行分类。在这类方法中，机器学习分类器的选择、训练方法的使用与特征的设计都是值得研究的内容。本文在前面研究的基础之上，提出了一种基于自适应神经网络的组合特征地形分类方法，并使用Matlab平台实现了基于此算法的地形分类系统，通过设计丰富的对比实验验证了方法的可行性与高效性。但是，对于此系统仍存在多个可以改进的方向，一个是对于训练模式的改进，对于目前使用的离线学习方法可以改用在线学习方法，这样就可以保证机器人在难以获取环境样本信息的情况下正常工作；另外可以对监督学习机制进行改进，可以将系统朝着半监督或自监督学习方向改进，这样就可以让机器人具有更大的自主性与应用性。