移动机器人仿蝙蝠三维空间目标定位系统

• 作 者: 王君
• 机 构: 山东大学
• 出 处: 山东大学
• 发表日期: 2021年01期
• 关键词: 目标定位 仿蝙蝠 深度学习 移动机器人

随着人工智能技术的发展,声纳感知为诸如自动驾驶、智能机器人等人工智能应用提供越来越多的感知信息,利用超声波对三维空间中的目标进行定位作为声呐感知系统的一个重要研究方向,其重要性日益凸显。研究表明,蝙蝠能够利用自身特殊的发声结构、耳廓结构组成一个超声波目标定位系统,在定位精度、定位灵敏度等方面的表现远远超过当前的人工声呐系统。但是今天,关于仿蝙蝠耳目标定位的研究依旧较少,其中尤以对目标方向角度（俯仰角和方向角）识别的研究为甚。本文主要研究基于仿蝙蝠耳的目标方向角度识别。在前人研究的基础上,对仿蝙蝠的目标方向角度识别进行进一步地研究与完善,并结合超声测距技术,实现了一个基于移动机器人的三维空间目标定位系统,能够识别目标的距离、俯仰角和方位角。本文具体研究内容如下:首先,搭建了一个基于移动机器人的数据自动采集平台。在硬件系统方面,该系统主要由数据采集模块、移动机器人模块以及升降控制模块组成。其中数据采集模块由超声喇叭、仿蝙蝠耳接收装置构成,负责主动发射超声波并且采集回声信号;移动机器人模块由四轮旋转小车、激光雷达、工控机等组成,能够自动导航至事先设置的指定位置,并且调整自身姿态;升降控制模块主要由微控制器、电机以及一组滑轮组成,根据接收到的指令消息自动调整目标物的高度。在软件系统方面,模块间的交互采用TCP/IP协议进行通信,在应用层上遵循websocket协议,并且编写程序实现对数据自动采集平台的通信、控制。基于该平台,我们能够采集较大规模的数据,为基于深度学习的目标方向角度识别提供数据准备。其次,通过实验研究得到与本文数据相契合的深度学习模型。根据本文数据特点选择前馈神经网络（Feedforward Neural Network,FNN）、卷积神经网络（Convolutional Neural Networks,CNN）以及循环神经网络（Recurrent Neural Network,RNN）作为学习模型。对于前馈神经网络,通过实验得到模型的最佳结构,并且分析对比了动量优化算法以及自适应学习率优化算法对学习模型的影响;对于卷积神经网络,在传统谱图（Spectrogram）特征的基础上,结合本文实际,创造性地提出了多信号融合谱图特征,并与传统拼接谱图特征进行实验对比;基于回声信号的时变特性,选用循环神经网络及、长短时记忆（Long and Short-term Memory,LSTM）神经网络和门控循环单元（Gated Recurrent Unit,GRU）神经网络进行实验对比并分析。通过对识别模型的研究,目标俯仰角识别的准确率得到了大幅提高。最后,基于上述数据采集平台与训练得到的学习模型,搭建了一个基于移动机器人的仿蝙蝠的三维空间目标定位系统。本文使用该定位系统采集数据,分别使用FNN、CNN和GRU作为识别模型,测试了上述三种模型的泛化能力。使用过拟合缓解方法对上述模型进行微调;并提出脉冲串识别方法以提高模型识别准确率。参考俯仰角的识别模型,训练得到目标方位角的深度神经网络识别模型,从而完成对目标方向角的识别。最终使目标方向角度识别准确率达到82.25%（基于短脉冲串）。