2.793

2018影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于改进型自主发育网络的机器人场景识别方法

余慧瑾 方勇纯

余慧瑾, 方勇纯. 基于改进型自主发育网络的机器人场景识别方法. 自动化学报, 2020, 46(x): 1−9 doi: 10.16383/j.aas.c180779
引用本文: 余慧瑾, 方勇纯. 基于改进型自主发育网络的机器人场景识别方法. 自动化学报, 2020, 46(x): 1−9 doi: 10.16383/j.aas.c180779
Yu Hui-Jin, Fang Yong-Chun. A robot scene recognition method based on improved autonomous development network. Acta Automatica Sinica, 2020, 46(x): 1−9 doi: 10.16383/j.aas.c180779
Citation: Yu Hui-Jin, Fang Yong-Chun. A robot scene recognition method based on improved autonomous development network. Acta Automatica Sinica, 2020, 46(x): 1−9 doi: 10.16383/j.aas.c180779

基于改进型自主发育网络的机器人场景识别方法

doi: 10.16383/j.aas.c180779
基金项目: 国家自然科学基金(61873132)资助
详细信息
    作者简介:

    余慧瑾:南开大学机器人与信息自动化研究所硕士研究生. 2018年获电子科技大学计算机科学与工程学院信息安全专业学士学位. 主要研究方向为机器视觉及发育神经网络.E-mail: 18920952389@163.com

    方勇纯:南开大学机器人与信息自动化研究所教授. 2002年获得美国克莱姆森大学博士学位. 主要研究方向为显智能机器人与非线性系统控制. 本文通信作者.E-mail: fangyc@nankai.edu.cn

A Robot Scene Recognition Method Based on Improved Autonomous Development Network

Funds: Supported by National Natural Science Foundation of China(61873132)
  • 摘要: 场景识别是移动机器人在陌生动态环境中完成任务的前提. 考虑到现有方法的不足, 本文提出了一种基于改进型自主发育网络的场景识别方法, 它通过引入基于多优胜神经元的Top-k竞争机制、基于负向学习的权值更新、基于连续性样本的加强型学习等步骤实现对场景的快速识别, 并使该方法具有更好的适应能力. 对于这种基于改进型自主发育网络的场景识别方法, 通过实验进行了对比测试. 结果表明, 这种改进型自主发育神经网络节点利用率高, 场景识别准确可靠, 可以较好地满足机器人作业的实际需求.
  • 图  1  改进型自主发育网络框架

    Fig.  1  Improved autonomous development network framework

    图  2  改进型自主发育神经网络模型

    Fig.  2  Improved autonomous developmental neural network model

    图  3  改进型发育网络进行场景识别的算法流程

    Fig.  3  Algorithm flow for scene recognition in improved developmental networks

    图  4  部分场景样本图像

    Fig.  4  Partial scene sample image

    图  5  Y层神经元激活个数对比

    Fig.  5  Comparison of the number of activations in layer Y neurons

    图  6  不同测试样本识别正确率对比

    Fig.  6  Comparison of correct test rates for different test samples

    图  7  场景识别正确率对比

    Fig.  7  Scene recognition correct rate comparison

    图  8  部分室内场景样本图像

    Fig.  8  Partial indoor scene sample image

    表  1  不同室内场景类别识别准确率

    Table  1  Different indoor scene category recognition accuracy

    不同室内场景类别 实验室 教室 会议室
    识别准确率 92.4% 83.23% 87.07%
    下载: 导出CSV
  • [1] 刘畅. 一种机器人室内场景图像识别方法. 量子电子学报, 2017, 34(3): 293−304

    Liu Chang. A robot indoor scene image recognition method. Chinese Journal of Quantum Electronics, 2017, 34(3): 293−304
    [2] 牛杰, 卜雄洙, 钱堃, 李众. 一种融合全局及显著性区域特征的室内场景识别方法. 机器人, 2015, 37(1): 122−128

    Niu Jie, Bu Xiong-Zhu, Qian Kun, Li Zhong. An indoor scene recognition method combining global and saliency region features. Robot, 2015, 37(1): 122−128
    [3] 严晗, 刘佶鑫, 龚建荣. 典型室内场景显著性稀疏识别. 南京师大学报(自然科学版), 2017, 40(1): 79−85

    Yan Han, Liu Ji-Xin, Gong Jian-Rong. Significant spare representation of typical indoor scene recognition. Journal of Nanjing Normal University(Natural Science Edition), 2017, 40(1): 79−85
    [4] Luo R C, Ee V W S, Hsieh C K. 3D point cloud based indoor mobile robot in 6-DoF pose localization using Fast Scene Recognition and Alignment approach. In: Proceedings of IEEE Intemational Conference on Multisensor Fusion and Integration for Intelligent Systems. Kongresshaus Baden-Baden, Germany: IEEE, 2016. 470−475
    [5] Li F F, Perona P. A bayesian hierarchical model for learning natural scene categories. In: Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition. San Diego, USA: IEEE, 2005. 524−531
    [6] Weng J Y, McClelland J, Pentland A, Spornse O, Stockman I, Sur M, et al. Autonomous mental development by robots and animals. Science, 2001, 291(5504): 599−600 doi: 10.1126/science.291.5504.599
    [7] Weng J Y. Three theorems: Brain-like networks logically reason and optimally generalize. In: Proceedings of IEEE International JointConferenceonNeuralNetworks. San Jose, California, USA: IEEE, 2011. 2983−2990
    [8] 王作为, 张汝波. 自主发育智能机器人体系结构研究. 计算机应用与软件, 2011, 28(11): 37−40

    Wang Zuo-Wei, Zhang Ru-Bo. Research on the architecture of autonomous developmental robot. Computer Applications and Software, 2011, 28(11): 37−40
    [9] 陈祥章, 殷智浩, 蔡则苏. 自主环境认知的发育机器人发育模型. 解放军理工大学学报(自然科学版), 2013, 14(5): 507−510

    Chen Xiang-Zhang, Yin Zhi-Hao, Cai Ze-Su. Development model of autonomous developing robots with independent environmental cognition. Journal of PLA University of Science and Technology(Natural Science Edition), 2013, 14(5): 507−510
    [10] 陈洋, 张道辉, 赵新刚, 韩建达. 基于IHDR自主学习框架的无人机3维路径规划. 机器人, 2012, 34(5): 513−518 doi: 10.3724/SP.J.1218.2012.00513

    Chen Yang, Zhang Dao-Hui, Zhao Xin-Gang, Han Jian-Da. UAV 3D path planning based on IHDR autonomous-learning-framework. Robot, 2012, 34(5): 513−518 doi: 10.3724/SP.J.1218.2012.00513
    [11] 钱夔, 宋爱国, 章华涛, 张立云. 基于自主发育神经网络的机器人室内场景识别. 机器人, 2013, 35(6): 703−709 doi: 10.3724/SP.J.1218.2013.00703

    Qian Kui, Song Ai-Guo, Zhang Hua-Tao, Zhang Li-Yun. Robot indoor scenes recognition based on autonomous developmental neural network. Robot, 2013, 35(6): 703−709 doi: 10.3724/SP.J.1218.2013.00703
    [12] 钱夔, 宋爱国, 章华涛, 张立云. 基于单胺类神经递质调节发育算法的机器人视觉定位. 机器人, 2014, 36(3): 362−368

    Qian Kui, Song Ai-Guo, Zhang Hua-Tao, Zhang Li-Yun. Robot vision location based on developmental algorithm of monoamine neurotransmitters modulation. Robot, 2014, 36(3): 362−368
    [13] 王东署, 谭达佩, 韦晓琴. 基于发育网络的人脸朝向识别研究. 郑州大学学报(工学版), 2017, 38(5): 23−27

    Wang Dong-Shu, Tan Da-Pei, Wei Xiao-Qin. Face orientation recognition based on development network. Journal of Zhengzhou University (Engineering Science), 2017, 38(5): 23−27
    [14] Castro-Garcia J L, Weng J. Emergent multilingual language acquisition using developmental networks. In: Proceedings of IEEE International Joint Conference on Neural Networks. Budapest, Hungary: IEEE, 2019. 1−8
    [15] Zheng Z, Wu X, Weng J. Emergent neural turing machine and its visual navigation. Neural Networks, 2019, 110(2019): 116−130
  • 加载中
计量
  • 文章访问数:  19
  • HTML全文浏览量:  12
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-11-21
  • 录用日期:  2019-11-16

目录

    /

    返回文章
    返回