基于卷积神经网络的移动机器人三维场景感知技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题来源及研究背景 | 第9-10页 |
| 1.1.1 课题来源 | 第9页 |
| 1.1.2 课题研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 三维点云分割方法 | 第10-12页 |
| 1.2.2 基于深度学习的语义分割方法 | 第12-13页 |
| 1.2.3 三维场景构建方法 | 第13-15页 |
| 1.3 研究内容 | 第15-17页 |
| 第2章 三维语义场景构建方法的研究 | 第17-31页 |
| 2.1 引言 | 第17页 |
| 2.2 基于深度学习的图片语义分割研究 | 第17-23页 |
| 2.2.1 Caffe深度学习框架 | 第18页 |
| 2.2.2 卷积神经网络 | 第18-20页 |
| 2.2.3 分割模型 | 第20-23页 |
| 2.3 三维场景的建立 | 第23-27页 |
| 2.3.1 深度图和彩色图的匹配 | 第23页 |
| 2.3.2 图片序列的位姿估计 | 第23-25页 |
| 2.3.3 稠密点云地图的建立 | 第25-27页 |
| 2.4 点云的滤波和概率融合 | 第27-30页 |
| 2.4.1 点云的统计滤波 | 第28页 |
| 2.4.2 体素概率融合 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 三维点云的分割优化与物体描述方法研究 | 第31-46页 |
| 3.1 引言 | 第31页 |
| 3.2 三维点云的语义分割优化 | 第31-36页 |
| 3.2.1 基于三维CRF的分割优化 | 第31-33页 |
| 3.2.2 结合凹凸性的语义分割优化 | 第33-36页 |
| 3.3 坐标系标定与个体分割 | 第36-38页 |
| 3.3.1 点云坐标系标定 | 第36-37页 |
| 3.3.2 基于欧式距离的个体分割 | 第37-38页 |
| 3.4 物体属性描述 | 第38-45页 |
| 3.4.1 空间大小与中心位置 | 第39页 |
| 3.4.2 主体颜色描述 | 第39-41页 |
| 3.4.3 关联属性描述 | 第41-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 基于自然语言命令的路径规划方法研究 | 第46-58页 |
| 4.1 引言 | 第46页 |
| 4.2 二维栅格地图的建立 | 第46-49页 |
| 4.2.1 地面滤除 | 第47-48页 |
| 4.2.2 生成栅格地图 | 第48-49页 |
| 4.3 基于视觉的起始点确定 | 第49-50页 |
| 4.4 基于自然语言命令识别的目标区域确定 | 第50-55页 |
| 4.4.1 数学形式描述 | 第50-52页 |
| 4.4.2 自然语言分词 | 第52页 |
| 4.4.3 自然语言词汇与知识库中符号的绑定 | 第52-54页 |
| 4.4.4 由符号列表构造机器人命令 | 第54-55页 |
| 4.5 基于Dijkstra和A*算法的路径规划 | 第55-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第5章 三维语义场景构建及描述系统的实验及验证 | 第58-77页 |
| 5.1 引言 | 第58页 |
| 5.2 分割模型训练与测试实验 | 第58-62页 |
| 5.3 点云体素概率融合实验 | 第62-65页 |
| 5.4 基于凹凸性的语义分割优化实验 | 第65-68页 |
| 5.5 机器人自然语言命令识别实验 | 第68-70页 |
| 5.6 系统验证实验 | 第70-76页 |
| 5.6.1 场景布置与数据采集 | 第70-71页 |
| 5.6.2 三维语义场景构建及优化 | 第71-73页 |
| 5.6.3 个体分割与属性描述 | 第73-75页 |
| 5.6.4 全局路径规划 | 第75-76页 |
| 5.7 本章小结 | 第76-77页 |
| 结论 | 第77-78页 |
| 参考文献 | 第78-83页 |
| 致谢 | 第83页 |
