一种用于鲁棒走廊跟随的深度学习方法
机器人学
2019-11-20 v1 计算机视觉与模式识别
机器学习
图像与视频处理
摘要
对于环境持续变化的自主走廊跟随任务,多种形式的环境噪声阻碍了自动化特征提取过程的可靠执行。此外,在捕获数据中缺失预定义特征的情况下,用于执行伺服任务的定义良好的控制信号无法产生。为克服这些缺陷,我们在本工作中提出使用卷积神经网络(CNN)直接从图像估计所需控制信号,将特征提取与控制律计算整合为单一的端到端框架。我们特别地研究了使用CNN的自主走廊跟随任务,并展示了在传统方法执行相同任务无法给出可靠结果的情况下的明显优势。我们在本机构为此目的开发的轮椅平台上评估了该方法在此任务上的性能。
引用
@article{arxiv.1911.07896,
title = {A Deep Learning Approach for Robust Corridor Following},
author = {Vishnu Sashank Dorbala and A. H. Abdul Hafez and C. V. Jawahar},
journal= {arXiv preprint arXiv:1911.07896},
year = {2019}
}
备注
7 pages, 7 figures. Paper published at 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)