[发明专利]一种基于深度学习的地外天体巡视器障碍物分割方法

说明书

本发明实施例提供一种基于深度学习的地外天体巡视器障碍物分割方法，该方法包括：利用地外天体巡视器获得的图像集及其对应的人工标注图集形成样本集；将所述样本集中的样本分成训练样本、验证样本和测试样本；基于VGGNet卷积网络和U‑Net网络构建神经网络；将所述训练样本和所述验证样本输入所述神经网络，对神经网络进行训练得到训练模型；利用所述训练模型对所述测试样本进行测试，得到地外天体的障碍物分割结果。该方法将精度高的VGG网络局部迁移到本发明网络，在提高了障碍物分割精度的同时还提高了分割速度，可以满足地外天体巡视器实时性需求。

技术领域

本发明涉及一种基于深度学习的地外天体巡视器障碍物分割方法，适用于在地外天体表面进行探测任务的巡视器的障碍探测识别，也可用于野外机器人障碍探测识别。

背景技术

地外天体巡视器探测已经成为深空探测的重要内容。由于地外天体具有工作环境未知、非结构化、距离远等特点，因此，需要重点解决巡视器自主环境感知、路径规划等一系列问题。而巡视器能否正确判别障碍物是它在地外天体表面顺利行驶的关键，也是科学探测任务的基本保障。

在目前的巡视器障碍物检测中，传统方法主要是通过立体视觉、激光雷达或结构光等技术建立三维地形图，为判断障碍物、巡视器导航提供有力支持。例如，Yu等(Yu，H.，Zhu，J.，Wang，Y.，Obstacle classification and 3D measurement in unstructuredenvironments based on ToF cameras.Sensors，14(6)：10753-10782，2014)在通过ToF深度相机可同时获得2D和3D图像的基础上，提出利用多相关向量机(RVM)分类器对障碍物进行分类，然而ToF相机测量距离短。Kostavelis等(Kostavelis，I.，Nalpantidis，L.，Gasteratos，A.，Collision risk assessment for autonomous robots by offlinetraversability learning，Robotics and Autonomous Systems，60(11)：1367-1376，2012)使用双目视觉方法获取V视差图提取场景特征，将其用于支持向量机的训练，完成障碍物检测，但是，基于双目视觉的三维重构技术，对中远距离地形的三维存在重建精度低的问题。Bellone等(Bellone，M.，Reina，G.，Giannoccaro，N.I.，et al.，Unevenness pointdescriptor for terrain analysis in mobile robot applications，InternationalJournal of Advanced Robotics Systems，10：1-10，2013)提出依据图像传感器获取的精确密集的三维点云使用不均匀点描述了检测环境中的障碍物，本方法利用RGB-D深度相机，同样存在中远距离的地形三维重建精度低的问题。毛晓艳等(一种基于单目相机和主动结构光的障碍探测方法，发明专利，201410829101.X)提出基于主动结构光的巡视器障碍探测方法，在基准相机失效的情况下，利用备份相机仍能实现障碍物的检测，然而本方法需要搭载结构光传感器。