给大家推荐5篇关于语义地图的计算机专业论文

今天分享的是关于语义地图的5篇计算机毕业论文范文, 如果你的论文涉及到语义地图等主题,本文能够帮助到你

基于知识图谱与深度学习的无人平台室内环境智能理解

这是一篇关于知识图谱,场景图生成,图神经网络,语义地图,拓扑地图,室内场景理解的论文, 主要内容为为提高无人平台在城市作战行动,尤其是室内作战行动中的自主性,需要增进对环境的智能理解能力。无人平台对环境的理解建立在对环境领域知识的形式化表达基础上,传统的环境知识表示方式侧重于对环境中空间信息或者环境要素的简单语义信息等单一信息的形式化表示,缺乏对环境要素之间的深层次的语义关系、常识知识的表示,这阻碍了无人平台对环境的深入理解。为加强无人平台对环境的智能理解能力,针对环境中物体关系的识别,以及常识知识的应用,本文提出了一套基于知识图谱与深度学习的室内环境语义地图构建方法。应用深度学习技术,无人平台能够从传感器感知信息中识别环境要素之间的语义信息,得到环境的语义层级表示;应用知识图谱技术,无人平台能够组织大量的常识知识,从而具备“联想”能力。本文的主要工作及贡献如下:(1)提出了一种基于图神经网络的场景图生成方法。针对传统语义地图不能建模环境要素之间关系的问题,本文提出一套从RGB-D数据流生成场景图的方法。该方法能够合并多张图像生成的场景图,从而生成图像流采集区域的场景图。场景图的引入提高了语义地图建模复杂环境的能力,克服了传统语义地图中环境要素无关联的缺陷。(2)提出了一种基于场景识别的拓扑地图构建方法。针对传统拓扑图构建时区域分割不准确,且无法自动获取区域类别信息的问题,本文提出了一种基于维诺图完成区域分割并使用神经网络模型Res Net完成场景识别的方法。该方法能够简单有效地完成室内环境区域分割与分类,提高语义拓扑地图构建效率。(3)设计了室内场景知识图谱构建流程,并使用一种基于图神经网络模型完成知识图谱补全任务。针对传统语义地图对常识知识应用能力不足的问题,本文引入知识图谱来组织常识知识。针对知识图谱信息不全的问题,本文提出一种基于图神经网络的方法对其进行补全。知识图谱强大的数据管理能力填补了语义地图常识知识应用不足的缺陷。(4)搭建了基于语义地图的室内环境智能理解实验验证环境。通过搭建半实物仿真环境,实现并验证了所提出的基于知识图谱与深度学习的室内环境智能理解解决方案的各个算法的有效性。

基于知识图谱与深度学习的无人平台室内环境智能理解

云计算支持的机器人场景理解技术的研究与实现

这是一篇关于云机器人,机器人场景理解,语义地图,混合云架构,云计算,物体识别的论文, 主要内容为云机器人利用云计算和大数据等后台基础设施,可以提升机器人在复杂环境下遂行任务的能力,被认为是“开启下一代机器人的钥匙”。然而,云在极大扩增机器人能力的同时,也在服务质量方面带来了许多不确定性,如网络传输延迟和云端资源不可控等。这对于许多机器人应用是不可接受的,尤其是当它们与物理世界直接交互时。如何在能力扩增和服务质量保证之间得到一个恰当的平衡,是云机器人领域需要应对的挑战。本文以机器人场景理解为研究对象,针对上述挑战展开研究。场景理解是指机器人基于感知数据认知所处环境的过程。它不仅获取场景几何信息,还需要获取场景内物体语义信息(如标签和所处位置等)。互联网上已存在的物体识别等云服务可以为后者提供支持,但如前文所述,由于其服务质量难以得到保证,很难直接应用于机器人。围绕这一问题,本文提出了支持开放环境的机器人场景理解混合云架构,并针对这一架构下的关键机制展开研究。具体而言,本文主要工作如下:(1)提出了支持开放环境的机器人场景理解混合云架构针对互联网服务难以提供机器人应用所需要的服务质量保证问题,本文提出了由专业云和公开云两层组成的混合云架构——私有的专业云资源可控,内置了与任务相关的知识,可快速识别熟悉物体;互联网公开云可以扩展机器人对开放环境陌生物体的识别能力。针对场景理解目标,本文进一步提出了基于支持向量机和深度学习的两种专业云构造方法。(2)设计了混合云架构中的公专协同机制在场景理解任务中,混合云架构得以顺利运行的核心机制是如何使得专业云和公开云无缝协同工作,使专业云无法正确识别的物体能被筛选出来,上传至公开云进行再次识别。本文分别面向基于支持向量机和深度学习两种专业云的特点,设计了相应公专协同机制,并通过性能收益的理论分析给出了其适用条件。(3)设计了基于数据融合的“标签-位置”映射机制场景理解需要将云端返回的语义信息正确标注在环境地图上。本文提出了基于数据融合的“标签-位置”映射机制,将机器人位置信息、物体深度和角度信息等转换成物体位置信息,进而通过添加语义标签,完成整个机器人场景理解过程。本文基于上述架构和机制,设计实现了云机器人场景理解原型系统,基于CORE、Faster R-CNN等算法和公开数据集开展了实验,对工作进行了全面验证。

融合结构化道路特征的语义地图构建研究

这是一篇关于无人驾驶,视觉SLAM,深度学习,结构化道路,语义地图的论文, 主要内容为近年来,无人驾驶技术已经成为整个汽车产业的最新发展方向。针对无人驾驶汽车的定位问题,主流的定位方法是采用高精度的差分GPS和激光雷达等传感器,通过与高精地图匹配获取自身位姿。但该传感器组合方案价格昂贵,高精地图点云数据量大,对移动平台的存储和计算要求较高。同时定位与建图(Simultaneous Localization and Mapping,SLAM)是一种根据周围环境信息求解车辆自身位姿的方法,对无人车理解周围环境提出了极高的要求。但当前SLAM系统大多利用点、线等低级几何信息做匹配和建图,忽视了环境中的语义特征。因此,本文针对结构化道路场景建立了基于视觉与IMU的SLAM解决方案,通过语义分割获取环境中稳定、丰富的道路特征语义信息,进而构建融合结构化道路特征的语义地图。分析了相机投影模型、相机畸变模型以及IMU误差模型,对相机和IMU进行了内外参联合标定,为传感器接入SLAM系统提供较为精确的参数保障。对基于深度学习的结构化道路特征语义分割方法进行研究。以Deeplab V3+网络为基础框架,用结构更为简单高效的Mobile Net V2网络替换其主干特征提取网络中原来的Xception网络,提高网络进行语义分割的效率。添加了融合通道域和空间域的注意力机制模块,让神经网络更加专注于图像的关键特征信息。相较于原网络框架,改进的Deeplab V3+网络的MIou值较改进前提高了5.41%,较同样为编码器-解码器结构的U-Net网络提高了8.16%。为了构建融合结构化道路特征的语义地图,采用逆透视变换及颜色阈值筛选策略将语义分割图像转换为鸟瞰图视角下的语义特征点云,利用体素滤波对特征点云进行下采样,剔除点云数据中的离群点和噪声点。建立基于迭代最近点法和正态分布变换法的位姿求解方案,利用位姿求解得到的变换矩阵,构建全局一致的结构化道路特征语义地图。基于Gazebo仿真平台搭建了仿真环境,对结构化道路和无人小车进行了建模,使用汽车行驶过程中常见的四种行驶策略对系统的定位精度和建图效果进行了实验验证。实现结果表明,四种行驶策略下,系统定位的绝对位姿误差均方根值为0.1845m,相对位姿误差均方根值为0.0423m,达到了较高的定位精度水平,并且本系统构建的道路特征语义地图具有较高的准确度。