【技术实现步骤摘要】
本专利技术属于机器人，涉及一种基于改进cyclegan的地面无人系统多元地形自适应方法及系统。
技术介绍
1、无人系统在日常作业中的应用十分广泛，但是在非结构环境场景中进行测试时，由于其中一大影响因素来源于训练和测试数据之间出现相当大的领域变化。为了保证无人系统在非结构化环境多元地形中可以安全自主的平稳行走，最重要的一点就是可以在各种不同风格地形场景下准确的感知周围环境。虽然目前基于深度学习的图像检测算法已经取得很好的效果，但通常情况下训练集和测试集来源于单一数据集即同一领域下采集的图像，在面临新的目标场景可能由于图像风格、季节变化、天气影响、颗粒扰动、照明条件等因素干扰，通常会出现无人系统对环境的感知出现明显的性能下降。虽然收集更多的训练数据可以缓解这个问题，但过程昂贵且耗时，在某些情况下，例如火山环境及毒雾环境等，甚至很难获取样本集进行训练。无人系统在实际作业时，周边环境会发生动态的变化，这对于无人系统感知功能来说是一个巨大的挑战。
技术实现思路
1、本专利技术的目的在于解决现有技术中无人系统在实际作业面对复杂的环境变化时，无人系统对环境的感知出现明显的性能下降的问题，提供一种基于改进cyclegan的地面无人系统多元地形自适应方法及系统。
2、为达到上述目的，本专利技术采用以下技术方案予以实现：
3、基于改进cyclegan的地面无人系统多元地形自适应方法，包括：
4、步骤1：采集非结构化环境基础地形图像，构建源域数据集；
5、
6、步骤3：将源域数据集中源域图像和目标域图像同时输入改进cyclegan网络中进行训练，得到将源域图像转化为目标域图像风格的生成器及判别器；
7、步骤4：基于目标域图像风格的生成器及判别器将源域图像转化为目标域图像风格，得到生成的目标域数据集；
8、步骤5：通过xception迁移学习模型对生成的目标域数据集进行模型训练，得到最优化的多元地形识别模型；
9、步骤6：将最优化的多元地形识别模型由pytorch框架转化为onnx框架结构，并将基于onnx框架结构的多元地形识别模型部署到无人系统中；
10、步骤7：当机器人遇到新的场景时，重复步骤2至步骤6，完成新地形的适应过程。
11、本专利技术的进一步改进在于：
12、进一步的，采集非结构化环境基础地形图像，具体为：基于机器人搭载的光学相机在真实地形环境中采集平地、草地、崎岖路段、楼梯路段和坡地的多种地形图像。
13、进一步的，根据任务需求采集目标域图像风格，作为新场景下机器人作业任务中基础地形的预迁移图像风格，具体为：新的场景具体为由于季节变化、天气影响、颗粒扰动和照明条件的因素干扰，导致机器人所处的地形风格场景不同于采集源域图像时的场景。
14、进一步的，cyclegan为由两个镜像的生成对抗网络gan构成的环形网络结构，包括两个生成器和两个判别器，损失函数不仅有生成对抗损失，并加入循环一致损失；对抗网络gan首先完成学习源域x到目标域y之间映射，然后又从目标域y中进行还原。
15、进一步的，对抗损失具体是指生成图像与真实图像之间的损失，其目的是使生成图像与真实图像风格更相似；对于生成器fx→y和判别器dy，其对抗损失函数如公式(1)所示：
16、
17、其中：pdata为真实图像数据的分布、～表示服从关系、为数学期望函数；
18、所述循环一致性损失具体是指经过一次循环后能恢复到原图，单独的对抗损失函数l不能保证学习函数把输入x映射到期望输出y,即不能仅用公式(1)训练gan；cyclegan又引入y到x的映射为gy→x,判别器dx判断y∈y通过g(y)生成的近似于x的图像是否真实；并推导出生成器gy→x和判别器dx之间与公式(1)类似的映射损失函数l,如公式(2)所示：
19、
20、进一步的，cyclegan引入循环一致性损失函数ccl,同时学习fx→y和gy→x两个映射,在x转换到y后再由y转换到计算x和间的损失,循环一致性损失则是为了让x和尽可能相同；目标域y到源域x的转换与上述过程相同；利用f(g(y))≈y和g(f(x))≈x定义循环一致性损失lcyc如下式：
21、
22、进一步的，改进cyclegan网络为转换器用densenet替代传统的resnet；并参考wgan的训练思想，取消传统cyclegan网络最后输出层中的sigmoid激活。
23、进一步的，xception迁移学习模型具体为：xception迁移学习模型训练指xception模型以二维图像作为输入，输出的是图像类别标签及其对应概率；通过调用已在源域海量数据集上训练好的xception图像分类模型，首先保存深度网络各层权重，之后冻结xception模型主干网络，在冻结的基础上，使用部分有注释的目标域数据对已经训练好的模型再训练调整参数，之后对顶层网络重新进行训练并进行微调，最终得到新的地形分类模型，完成对整个目标域数据集的分类任务。
24、进一步的，采用通过xception迁移学习模型对生成的多元地形数据集进行模型训练，训练过程中同时考虑准确率、精确率、召回率和损失值，采用批量梯度下降法进行训练，其中，一次训练所抓取的数据样本数量设为32，在xception迁移学习模型中的优化器使用的是adam，直至损失值收敛。
25、基于cyclegan的地面无人系统多元地形自适应系统，包括：
26、第一采集模块，所述第一采集模块采集非结构化环境基础地形图像，构建源域数据集；
27、第二采集模块，所述第二采集模块基于任务需求采集目标域图像风格，作为新场景下机器人作业任务中基础地形的预迁移图像风格；
28、第一训练模块，所述第一训练模块将源域数据集中源域图像和目标域图像同时输入改进cyclegan网络中进行训练，得到将源域图像转化为目标域图像风格的生成器及判别器；
29、转化模块，所述转化模块基于目标域图像风格的生成器及判别器将源域图像转化为目标域图像风格，得到生成的目标域数据集；
30、第二训练模块，所述第二训练模块通过xception迁移学习模型对生成的目标域数据集进行模型训练，得到最优化的多元地形识别模型；
31、转换模块，所述转换模块将最优化的多元地形识别模型由pytorch框架转化为onnx框架结构，并将基于onnx框架结构的多元地形识别模型部署到无人系统中；
32、适应模块，所述适应模块用于当机器人遇到新的场景时，完成新地形的适应过程。
33、与现有技术相比，本专利技术具有以下有益效果：
34、本专利技术通过使用改进cyclegan生成对抗网络将源域图像转化为目标域风格，无需人工搜集即可得到本文档来自技高网...
【技术保护点】
1.基于改进CycleGAN的地面无人系统多元地形自适应方法，其特征在于，包括：
2.根据权利要求1所述的基于改进CycleGAN的地面无人系统多元地形自适应方法，其特征在于，所述采集非结构化环境基础地形图像，具体为：基于机器人搭载的光学相机在真实地形环境中采集平地、草地、崎岖路段、楼梯路段和坡地的多种地形图像。
3.根据权利要求1所述的基于改进CycleGAN的地面无人系统多元地形自适应方法，其特征在于，所述根据任务需求采集目标域图像风格，作为新场景下机器人作业任务中基础地形的预迁移图像风格，具体为：新的场景具体为由于季节变化、天气影响、颗粒扰动和照明条件的因素干扰，导致机器人所处的地形风格场景不同于采集源域图像时的场景。
4.根据权利要求3所述的基于改进CycleGAN的地面无人系统多元地形自适应方法，其特征在于，所述CycleGAN为由两个镜像的生成对抗网络GAN构成的环形网络结构，包括两个生成器和两个判别器，损失函数不仅有生成对抗损失，并加入循环一致损失；对抗网络GAN首先完成学习源域X到目标域Y之间映射，然后又从目标域Y中进行还原。<...
【技术特征摘要】
1.基于改进cyclegan的地面无人系统多元地形自适应方法，其特征在于，包括：
2.根据权利要求1所述的基于改进cyclegan的地面无人系统多元地形自适应方法，其特征在于，所述采集非结构化环境基础地形图像，具体为：基于机器人搭载的光学相机在真实地形环境中采集平地、草地、崎岖路段、楼梯路段和坡地的多种地形图像。
3.根据权利要求1所述的基于改进cyclegan的地面无人系统多元地形自适应方法，其特征在于，所述根据任务需求采集目标域图像风格，作为新场景下机器人作业任务中基础地形的预迁移图像风格，具体为：新的场景具体为由于季节变化、天气影响、颗粒扰动和照明条件的因素干扰，导致机器人所处的地形风格场景不同于采集源域图像时的场景。
4.根据权利要求3所述的基于改进cyclegan的地面无人系统多元地形自适应方法，其特征在于，所述cyclegan为由两个镜像的生成对抗网络gan构成的环形网络结构，包括两个生成器和两个判别器，损失函数不仅有生成对抗损失，并加入循环一致损失；对抗网络gan首先完成学习源域x到目标域y之间映射，然后又从目标域y中进行还原。
5.根据权利要求4所述的基于改进cyclegan的地面无人系统多元地形自适应方法，其特征在于，所述对抗损失具体是指生成图像与真实图像之间的损失，其目的是使生成图像与真实图像风格更相似；对于生成器fx→y和判别器dy，其对抗损失函数如公式(1)所示：
6.根据权利要求5所述的基于改进cyclegan的地面无人系统多元地形自适应方法，其特征在于，所述cyclegan引入循环一致性损失函数ccl,同时学习fx→y和gy→x两个映射,在x转换到y后再由y转换到...
【专利技术属性】
技术研发人员：赵闻，王颖琦，崔浩，黎栗谯，詹涵文，徐扬，刘贞报，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。