摘要
近年来随着深度学习、计算机视觉技术的迅速发展，室内智能小车被广泛应用在社会生产生活中的多个领域，并逐渐形成了以激光雷达为主、多种感知设备共同协作的室内感知控制方案。单线激光雷达凭借其结构简单、成本低、精确度高、稳定性好等特点广泛应用于室内机器人感知系统中。单线激光雷达感知虽然可以有效的进行地图构建和定位，但是导航过程中单线激光雷达仅能获取单一平面稀疏激光点云，对非扫描平面障碍物感知不足与非均匀刚体感知不准确，难以满足复杂场景下，室内智能小车障碍物感知、局部导航等实际需求。 本文以室内智能小车空间感知增强为基本研究对象，基于室内智能小车使用场景，引入真实全局位姿和相机内参作为深度信息获取辅助数据。提出了基于深度学习的单目连续RGB图像稠密深度估计方法。采用轻量化模块设计、量化剪枝等方式对深度估计网络进行模型压缩，加快网络推理速度，降低性能损耗。采用随机一致性采样（RANSAC）算法，联合2D单线激光雷达数据对稠密深度数据进行尺度矫正与感知融合，增强室内智能小车空间感知能力，完成室内智能小车感知增强系统在嵌入式移动平台上的设计与实现。本文的主要工作以下几个方面： （1）室内RGB-D数据集制作。本文制作室内RGB-D数据集，包含5个实际室内场景下的1万余张原始RGB图像、五千余组对齐RGB-D与位姿数据，40min60GB室内小车定位、感知、路径规划、导航数据。使用数据增强方法完成数据集扩增。为后文深度估计网络训练、感知增强系统验证提供基础数据支撑。 （2）轻量化深度估计网络设计。本文针对DeepV2D网络，深入分析实际场景和使用需求，删除冗余位姿网络，对编码-解码网络进行分析，精简深度估计网络结构。同时使用ShuffletNet和空洞空间卷积金字塔池化(atrousspatialpyramidpooling,ASPP)进行轻量化网络特征模块设计，针对编码-解码网络结构进行差异化调整、网络剪枝、完成嵌入式平台单目深度估计网络轻量化设计与实现，为室内智能小车感知能力增强提供基础稠密深度信息。 （3）深度信息融合的感知增强系统。分析现有系统与功能，进行详细功能模块设计，将深度估计网络融入现有感知控制系统，降低系统功能模块之间的耦合性与嵌入式移动平台性能损耗。基于小车真实空间刚体几何特性，明确深度数据空间感知边界，联合单线激光雷达对深度估计数据进行联合矫正与2D平面点云深度数据感知融合，增强室内智能小车空间感知能力。完成嵌入式平台深度数据融合的感知增强系统设计与实现。 实验证明本文提出深度估计网络在公开数据集与自制数据集上均表现良好，低性能设备上推理加速明显。同时本文提出的基于深度估计的深度数据融合感知增强方案，各个功能模块均在室内智能小车嵌入式平台上稳定高效运行，能有效增强室内智能小车空间感知能力。
NETL