基于协同学和迁移学习的无人机避障系统的设计与实现
由于无人机被广泛的应用到各个领域，如航拍，巡检，侦察等，使无人机相关领域成为近些年来热门的研究方向，并促使无人机技术得到蓬勃发展。在无人机技术的发展中，自动避障技术是一个研究重点，其主要通过各类传感器单独或协同工作完成对无人机飞行路径中出现的障碍物进行检测，并采用合适的避障策略保证无人机的安全飞行。深度学习是当今科学领域中热门方向之一，多种关于深度学习的理论层见迭出，本文研究的课题是基于协同学与迁移学习实现无人机避障。构建的深度协同神经网络在性能上相比传统的协同神经网络有明显提升，并拓展使其具有目标检测的功能，最终将其应用在无人机避障系统中。 首先，介绍协同学的相关概念和基本思想，以及基于协同学思想建立的协同神经网络，并阐述协同神经网络的数学模型和运行过程。接着介绍了迁移学习的基本概念和实现方法，阐述了使用的模型迁移的方式实现迁移学习，该方式是利用深度卷积神经网络对样本进行特征提取时，底层存储通用特征，高层存储分类特征的特性。采用基于Inception预训练模型的目标检测算法SSD实现目标检测，并对预训练模型的全连接层进行重新定义，从而使预训练模型在目标领域和任务中能够完成检测识别功能。 其次，根据协同神经网络和目标检测算法SSD对无人机避障算法进行设计。在深度协同神经网络的基础上，结合目标检测算法SSD的边框回归思想，设计一种可以用于检测识别目标的避障算法，先对目标进行检测，确定其位置后使用深度协同神经网络完成目标识别。并提出使用生成对抗网络产生原型模式，参与网络的演化。在协同神经网络的基础上，结合深度学习的思想，通过增加网络层数使其达到更好的识别效果。并使用迁移学习提高模型的泛化能力，充分利用先验知识解决当前问题。 最后，完成对无人机避障系统的整体设计和实现。根据障碍物在视野中的相对位置，制定相应的避障策略，使无人机能够安全避开障碍物实现飞行。此外，设计一款简易的上位机实现对无人机和机载运动相机的操控。最后对无人机进行实际飞行测试，验证本系统的可行性和实用性。
无人机;避障系统;协同学;迁移学习
电子科技大学
硕士
控制科学与工程
孟继成
2019
中文
V248.1
2019-09-16（万方平台首次上网日期，不代表论文的发表时间）