摘要

本文工作：

1. 搭建了移动机器人实验平台；
2. 设计了基于深度学习的自主导航方法 $\to$ 输入RGB图像，直接输出控制信号，避免复杂的特征工程和规划策略；

关键词

1. 移动机器人；
2. 自主导航；
3. 深度学习；
4. 卷积神经网络

通常移动机器人系统通过传感器来感知周围环境，如激光传感器、超声波传感器、视觉传感器等，但由于携带传感器有限，大部分系统决策和控制能力不足。

硬件主要包括：树莓派4B上位机、STM32F103RC下位机、电机及其驱动、传感器

1 移动机器人平台

1.1 平台硬件系统

1.2 平台软件系统

2 基于深度学习的自主导航方法

2.1 深度学习模型

四个分别为$(128,64,64,16)$的全连接层
每层同样采用ReLU函数进行激活

定义：

1. $s(k)$ $\to$ 转向控制信号
2. $i(k)$ $\to$ 模型输入RGB图像
3. $i(k)=f(s(k))$ 训练好的模型用$f$表示
4. ${\omega }^{\ast }$ $\to$ 移动机器人目标角速度
5. 该反归一化信号经过一阶低通滤波处理得到移动机器人的目标角速度：
   $${\omega }^{\ast }=\alpha \beta s(k)+(1-\alpha ){\omega }^{\ast }(k-1)$$
   $\alpha =0.9$且$\beta =1.4$

2.2 模型训练

控制机器人 $\to$ 观察-动作对数据集

测试集上的均方误差和平均绝对误差分别为0.039和0.102

3 自主导航实验

1. 自主导航节点预先使用Keras、Tensorflow读取训练好的模型
2. 订阅/camera/rgb/image_raw话题以固定周期获取摄像头的RGB图像
3. RGB图像输入模型，输出的转向控制信号
4. 反归一化与一阶低通滤波处理得到移动机器人的目标角速度；发布**/cmd_vel**话题
5. ROS中的底盘控制节点订阅**/cmd_vel**话题以控制移动机器人运动。

泛化实验：避开突然出现的障碍物 $\to$ 空水桶瓶子

4 结论