1. 研究目的与意义（文献综述）

移动机器人在机器人研究领域中占有重要地位，其为包含机器人环境感知、机器人导航控制等能力的机器人综合系统。伴随着传感器技术以及信息处理等技术的发展，移动机器人的应用开始从传统制造业拓展到公共服务、教育、救援等复杂环境，扮演者越来越重要的角色。随着传感器技术、信息处理技术等的发展，移动机器人的研究重点也逐步转向使其未知非结构化环境中独立完成给定任务。为进一步拓展移动机器人的应用，以及提升其智能化程度，拟将深度学习结合计算机视觉应用于移动机器人的路径感知、避障，实现移动机器人在未知、非结构化环境下的自主运动。

20世纪80年代，smith、sclf和cheeseman提出slam（simultaneous localizationand mapping）技术，即同时定位与地图构建，具体指在未知环境下，机器人通过传感器测量周围环境信息，逐步估计自身位置和运动状况，并且同时估计和描绘周围环境地图的过程。目前的移动机器人系统大多通过两种方式实现在复杂非结构环境下的运动决策，一种是通过单目摄像头、双目摄像头、rgb-d摄像头等视觉系统获得环境彩色图像甚至深度图像，采集三维点云数据实现障碍分析和物体识别；另一种是借助超声波、雷达、激光测距仪等传感器，采集二维平面点云数据实现定位和避障。

深度学习由人工神经网络（artificialneural network, ann）演变而来，近几年引起了极大的研究兴趣。2012年，深度学习方法首次出现于image net图像分类比赛，取得了惊人的成果。2013年，百度成立国内第一家以深度学习为核心的大数据人工智能研发机构idl。2014年，deepface和deepid被提出，其对lfw数据集的人脸识别率达到99.75，超过了人眼的识别率。2016至2017年，谷歌基于深度神经网络的alphagot先后打败人类围棋世界顶尖选手李世石和柯洁。计算机技术的发展保障了神经网络的深度，加快了模型的训练速度。互联网技术的发展为满足了其对海量数据的需求。深度学习取得了前所未有的成功。

2. 研究的基本内容与方案

将深度学习应用于移动机器人的路径感知，本质上是在解决移动机器人对捕获图像的分类问题。本次设计主要包括两个部分的内容，分别为移动机器人硬件平台的搭建以及神经网络的训练和应用。总体设计方案如图2.1所示。移动机器人硬件平台主要包括两轮差速驱动的底盘，以及外围的传感器和通讯接口，例如超声波传感、器惯性传感器、蓝牙模块等。底盘的运动驱动和传感器数据采集使用stm32单片机，其外设丰富、实时性好。视觉环境的搭建基于raspberrypi，其搭载linux系统（例如raspbian），使用python语言开发，可以结合当前主流的人工智能开发框架（例如tensorflow）。通过远程桌面即可实现对其远程操控。神经网络的训练和应用具体过程为：首先，制作数据集，人工遥控移动机器人拟通过的路径（选取特定的现实生活场景），如图2.2所示，同时分别拍下沿途a、b、c三个方向的照片，彼此夹角为α，并分别标记位直行、右转、左转；其次，建立深度学习模型，输出结果为“直行、右转、左转”三个指令，利用上述数据集完成训练；最后，将移动机器人行进时拍到的画面作为模型的输入，输出结果控制移动机器人行进方向，实现路径感知。注意，在制作数据集时，可将摄像头安装于单（二）自由度云台，实现三个方向画面的连续拍摄和自动标记，提高数据集制作效率。而在移动机器人实际运动时，摄像头方向固定保持于正前方。

3. 研究计划与安排

（1）查阅文献资料，提交英文文献翻译（第1周）；

（2）总体方案设计及论证，撰写并提交开题报告（第2-4周）；

（3）移动机器人硬件平台搭建（第5-6周）；

4. 参考文献（12篇以上）

[1]逄淑超. 深度学习在计算机视觉领域的若干关键技术研究[d].吉林大学,2017.

[2]夏冬冬. 移动机器人视觉跟踪技术的研究[d].吉林大学,2017.

[3]张鹏. 基于ros的全向移动机器人系统设计与实现[d].中国科学技术大学,2017.