[发明专利]基于GA-BP神经网络的障碍物尺寸预测系统及方法

说明书

本发明公开了一种基于GA‑BP神经网络的障碍物尺寸预测方法，包括以下步骤：获取障碍物图像像素尺寸宽、像素尺寸高、像素面积、障碍物到摄像机的距离；数据归一化，得到训练集和测试集；采用遗传算法优化BP神经网络的权值和阈值，对模型进行训练，获得GA‑BP神经网络的障碍物尺寸预测模型；反归一化处理后得到障碍物预测尺寸；将预测尺寸值与障碍物实际尺寸值比较，经过误差分析并反馈到尺寸预测模块，获得最优的障碍物尺寸预测模型。本发明采用GA‑BP神经网络模型预测小型障碍物实际尺寸，可以为移动机器人进行环境感知、路径规划以及自主导航提供基础数据，克服了视觉测量过程中各参数之间的耦合作用，降低了测量成本。

技术领域

本发明涉及移动机器人领域，特别涉及一种基于GA-BP神经网络的障碍物尺寸预测系统及方法。

背景技术

近年来，随着科技的不断创新和进步，移动机器人的应用领域越来越广泛，其作业的环境也越来越复杂，由结构化环境发展到非结构化环境，由陆地作业发展到海洋采矿，这也让其对环境感知提出了更高的要求。移动机器人是通过各类型传感器获取大量环境信息，然后采用信息融合处理技术进行决策，经常需要在不适合人类前往的复杂且危险的环境下自主完成作业。

随着智能技术的发展，为完成移动机器人环境感知、路径规划以及自主导航等任务的决策，对于中小型移动机器人来说，影响它们执行自主行走任务的主要因素是环境感知，而其行进道路上的小型障碍物是其进行环境感知的主要目标，为了保证移动机器人能够量化地感知环境，对障碍物最大宽度、最大高度、最大面积以及距移动机器人的距离等参数进行测量是既基础又重要的任务，也决定了移动机器人应用的广度和深度。就目前常用的测量系统而言，对中小型障碍物的测量比大型障碍物的测量更具挑战性，因此，如何更好地提高移动机器人环境感知能力，准确而有效地获取小型障碍物尺寸参数成为了一个亟待解决的问题。

世界上许多的学者对上述问题做了大量的研究工作，Jiaxu Leng等人提出了一种障碍物检测与识别方法，通过基于立体视觉系统生成的U-V视差图的障碍物检测方法，大大提高了对小障碍物和遮挡障碍物的识别精度。Qing Li等人提出了智能车辆障碍物检测中视频图像识别的判断与优化的方法，能够保证智能车辆的行驶误差较小。Fernando等人提出了基于机器学习的网络物理系统中片上激光雷达传感器的障碍识别，在户外环境比较恶劣的情况下都能达到很好地识别效果。ZHANG G Q等人提出了融合激光雷达与视觉信息的小型障碍物测量方法，可以得到测量小型障碍物的最大宽度误差小于2.4％，具有较好的测量效果。但这些研究主要是针对障碍物的检测和避障，而对于障碍物的测量研究较少，而且上述方法中多采用激光雷达的工具和三角测量的方法测量小型障碍物的尺寸参数，所需要的成本高，且测量费时费力，难以在实际工程中推广应用。

发明内容

为了解决上述技术问题，本发明提供一种结构简单、适用范围广的基于GA-BP神经网络的障碍物尺寸预测系统，并提供一种算发简单、预测精度高的基于GA-BP神经网络的障碍物尺寸预测方法。

本发明解决上述技术问题的技术方案是：一种基于GA-BP神经网络的障碍物尺寸预测系统，包括：

机器视觉模块，用于获取障碍物的像素尺寸信息；

距离测量模块，用于获取障碍物到摄像机的距离信息；

尺寸预测模块，尺寸预测模块与机器视觉模块、距离测量模块相连，基于障碍物的像素尺寸信息和障碍物到摄像机的距离信息预测障碍物实际尺寸参数；

误差调整模块，误差调整模块与尺寸预测模块相连，用于将预测尺寸值与障碍物实际尺寸值比较，经过误差分析并反馈到尺寸预测模块，调整尺寸预测模块中GA-BP神经网络的训练次数、训练目标及学习速率参数，以获得最优的障碍物尺寸预测模型。

一种基于GA-BP神经网络的障碍物尺寸预测方法，其特征在于，包括以下步骤：

步骤一：通过机器视觉模块获取障碍物图像像素尺寸宽w、像素尺寸高h以及像素面积a；