CN110398986A - 一种多源数据迁移的无人机密集树林感知技术 - Google Patents
一种多源数据迁移的无人机密集树林感知技术 Download PDFInfo
- Publication number
- CN110398986A CN110398986A CN201910350969.4A CN201910350969A CN110398986A CN 110398986 A CN110398986 A CN 110398986A CN 201910350969 A CN201910350969 A CN 201910350969A CN 110398986 A CN110398986 A CN 110398986A
- Authority
- CN
- China
- Prior art keywords
- unmanned plane
- source
- data migration
- data
- cognition technology
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013508 migration Methods 0.000 title claims abstract description 19
- 230000005012 migration Effects 0.000 title claims abstract description 19
- 230000019771 cognition Effects 0.000 title claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims description 5
- 238000013526 transfer learning Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000008929 regeneration Effects 0.000 claims description 3
- 238000011069 regeneration method Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000012549 training Methods 0.000 abstract description 3
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/12—Target-seeking control
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种多源数据迁移的无人机密集树林感知技术,特征是包含:多源域数据迁移模型和无人机在密集树林中避障寻路的感知技术。所述多源数据迁移的无人机密集树林感知技术使用在虚拟环境中收集的无人机飞行数据,利用深度学习方法将无人机避障寻路问题转换为多方向运动概率分类问题,再将单源深度自适应网络中的源域数据分隔为多源数据域,降低数据统一学习中的负向迁移错误,能够在不引入额外训练量的情况下提高数据有效率,从而提升无人机自主感知能力。本发明的多源数据迁移方案可快速适应不同无人机任务,灵活性高,适用于推广应用。
Description
技术领域
本发明属于深度学习领域,特别涉及一种基于迁移学习的无人机密集树林感知技术。
背景技术
为了能够充分利用现有基于深度学习的视觉感知方法,必须获取大量的有标记数据,而现有的数据集大多为实例物体,鲜有与无人机飞行环境相关的数据。若是由人工进行采集和标注将耗费大量的时间。不仅如此,无人机的飞行还具备一定的危险,所以一种有效的替代方案就是在虚拟环境中获取飞行数据训练一个初步的模型,再利用少量的无需标签的真实环境数据进行调整和优化,为了能够最小化虚拟和真实环境的差异,可以采用迁移学习的方法来提升模型的效果。然而,单源数据迁移方法可能会存在数据内部的反向迁移问题,导致效果下降,为此,通过适当的解耦不同域的源数据,形成多源数据迁移网络,能够更加有效的提升无人机在真实环境中的表现效果。
发明内容
为了克服无人机在真实环境难以学习测试的问题,本发明提供了一种在虚拟环境中学习训练并迁移到真实环境的方法,同时针对上述单源数据迁移中反向迁移的问题,本发明设计了一种多源数据迁移自适应网络。
一种多源数据迁移的无人机密集树林感知技术属于深度学习领域,其特征在于包含:多源域数据迁移模型和无人机在密集树林中躲避障碍和跟随路径的感知技术。
在单一源数据域迁移学习问题中,有标记的虚拟数据组成源域,无标签的真实数据组成目标域。分别表示为:
通过引入多核最大平均差异(Multi-kernel maximum mean discrepancy,MK-MMD)作为域之间的差异指标来评估域之间的差异值,并使用优化方法减少差异值的大小。使得自适应网络能够在满足第二类误差尽可能小的情况下最大化双样本检测能力。多源域数据迁移模型(如图1所示)的多核最大平均差异Dk为
其中p和q是两个不同数据域s和t的概率分布,dk(p,q)是对应的单源多核最大平均差异,Hk为特征核k的再生希尔伯特空间,多源域的多核最大平均差异Dk(S,T)是多个单源多核最大平均差异的加权求和,ωst为对应权重。
无人机在密集树林中避障寻路的感知模型为ResNet-18自适应卷积神经网络,通过将无人机避障寻路问题转换为多方向运动概率分类问题。对应的优化目标为
其中Ω表示自适应网络中的所有可学习参数,ns表示源数据域有标签数据个数,J(·)表示损失函数,表示给定作为输入时的网络预测输出,λ为对于迁移学习部分的可调权重超参数,其中对应的网络层数由l1到l2。
附图说明
图1是本发明多源域数据自适应网络示意图。
图2是本发明一种多源数据迁移的无人机密集树林感知技术总体示意图。
具体实施方式
下面采用附图和实施例对本发明做进一步说明,此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。
多源数据自适应网络示意图见附图1,其特征在于:
通过引入多核最大平均差异(Multi-kernel maximum mean discrepancy,MK-MMD)作为域之间的差异指标来评估域之间的差异值,并使用优化方法减少差异值的大小。使得自适应网络能够在满足第二类误差尽可能小的情况下最大化双样本检测能力。多源域数据迁移模型的多核最大平均差异Dk为
其中p和q是两个不同数据域s和t的概率分布,dk(p,q)是对应的单源多核最大平均差异,Hk为特征核k的再生希尔伯特空间,多源域的多核最大平均差异Dk(S,T)是多个单源多核最大平均差异的加权求和,ωst为对应权重。
如图2所示,无人机在虚拟密集树林中飞行收集无人机飞行数据,利用深度学习方法将无人机避障寻路问题转换为多方向运动概率分类问题,再通过多源数据迁移网络学习,降低统一学习中的负向迁移错误,学习出的方向概率通过简易控制器转换为无人机的期望动力输出,从而形成闭环回路。
无人机在密集树林中避障寻路的感知模型为ResNet-18自适应卷积神经网络,通过将无人机避障寻路问题转换为多方向运动概率分类问题。对应的优化目标为
其中Ω表示自适应网络中的所有可学习参数,ns表示源数据域有标签数据个数,J(·)表示损失函数,表示给定作为输入时的网络预测输出,λ为对于迁移学习部分的可调权重超参数,其中对应的网络层数由l1到l2。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种多源数据迁移的无人机密集树林感知技术,其特征在于包含:多源域数据迁移模型和无人机在密集树林中避障寻路的感知技术。
2.根据权利要求1中所述一种多源数据迁移的无人机密集树林感知技术,其特征在于多源域数据迁移模型的多核最大平均差异Dk为:
其中p和q是两个不同数据域s和t的概率分布,dk(p,q)是对应的单源多核最大平均差异,Hk为特征核k的再生希尔伯特空间,多源域的多核最大平均差异Dk(S,T)是多个单源多核最大平均差异的加权求和,ωst为对应权重。
3.根据权利要求1中所述一种多源数据迁移的无人机密集树林感知技术,其特征在于无人机在密集树林中避障寻路的感知模型为ResNet-18自适应卷积神经网络,总体优化目标为:
其中Ω表示自适应网络中的所有可学习参数,ns表示源域有标签数据个数,J(·)表示损失函数,表示给定作为输入时的网络预测输出,λ为对于迁移学习部分的可调权重超参数,其中对应的网络层数由l1到l2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910350969.4A CN110398986A (zh) | 2019-04-28 | 2019-04-28 | 一种多源数据迁移的无人机密集树林感知技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910350969.4A CN110398986A (zh) | 2019-04-28 | 2019-04-28 | 一种多源数据迁移的无人机密集树林感知技术 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110398986A true CN110398986A (zh) | 2019-11-01 |
Family
ID=68322939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910350969.4A Pending CN110398986A (zh) | 2019-04-28 | 2019-04-28 | 一种多源数据迁移的无人机密集树林感知技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110398986A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273922A (zh) * | 2017-06-02 | 2017-10-20 | 云南大学 | 一种面向多源实例迁移学习的样本筛选和权重计算方法 |
CN108549907A (zh) * | 2018-04-11 | 2018-09-18 | 武汉大学 | 一种基于多源迁移学习的数据校验方法 |
CN108681585A (zh) * | 2018-05-14 | 2018-10-19 | 浙江工业大学 | 一种基于NetSim-TL的多源迁移学习标签流行性预测模型的构建方法 |
CN109034018A (zh) * | 2018-07-12 | 2018-12-18 | 北京航空航天大学 | 一种基于双目视觉的低空小型无人机障碍物感知方法 |
CN109146937A (zh) * | 2018-08-22 | 2019-01-04 | 广东电网有限责任公司 | 一种基于深度学习的电力巡检影像密集匹配方法 |
CN109308483A (zh) * | 2018-07-11 | 2019-02-05 | 南京航空航天大学 | 基于卷积神经网络的双源图像特征提取及融合识别方法 |
CN109344871A (zh) * | 2018-08-30 | 2019-02-15 | 西北工业大学 | 一种基于多源领域融合迁移学习的目标分类识别方法 |
CN109376578A (zh) * | 2018-08-27 | 2019-02-22 | 杭州电子科技大学 | 一种基于深度迁移度量学习的小样本目标识别方法 |
US20190066257A1 (en) * | 2017-08-22 | 2019-02-28 | Intel Corporation | Efficient memory layout for enabling smart data compression in machine learning environments |
CN109597425A (zh) * | 2018-10-18 | 2019-04-09 | 中国航空无线电电子研究所 | 基于强化学习的无人机导航和避障方法 |
-
2019
- 2019-04-28 CN CN201910350969.4A patent/CN110398986A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273922A (zh) * | 2017-06-02 | 2017-10-20 | 云南大学 | 一种面向多源实例迁移学习的样本筛选和权重计算方法 |
US20190066257A1 (en) * | 2017-08-22 | 2019-02-28 | Intel Corporation | Efficient memory layout for enabling smart data compression in machine learning environments |
CN108549907A (zh) * | 2018-04-11 | 2018-09-18 | 武汉大学 | 一种基于多源迁移学习的数据校验方法 |
CN108681585A (zh) * | 2018-05-14 | 2018-10-19 | 浙江工业大学 | 一种基于NetSim-TL的多源迁移学习标签流行性预测模型的构建方法 |
CN109308483A (zh) * | 2018-07-11 | 2019-02-05 | 南京航空航天大学 | 基于卷积神经网络的双源图像特征提取及融合识别方法 |
CN109034018A (zh) * | 2018-07-12 | 2018-12-18 | 北京航空航天大学 | 一种基于双目视觉的低空小型无人机障碍物感知方法 |
CN109146937A (zh) * | 2018-08-22 | 2019-01-04 | 广东电网有限责任公司 | 一种基于深度学习的电力巡检影像密集匹配方法 |
CN109376578A (zh) * | 2018-08-27 | 2019-02-22 | 杭州电子科技大学 | 一种基于深度迁移度量学习的小样本目标识别方法 |
CN109344871A (zh) * | 2018-08-30 | 2019-02-15 | 西北工业大学 | 一种基于多源领域融合迁移学习的目标分类识别方法 |
CN109597425A (zh) * | 2018-10-18 | 2019-04-09 | 中国航空无线电电子研究所 | 基于强化学习的无人机导航和避障方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | UAV path planning using artificial potential field method updated by optimal control theory | |
CN108921294A (zh) | 一种用于神经网络加速的渐进式块知识蒸馏方法 | |
CN103412488B (zh) | 一种基于自适应神经网络的小型无人旋翼机高精度控制方法 | |
CN103679263A (zh) | 基于粒子群支持向量机的雷电临近预测方法 | |
Peng et al. | Three-dimensional multi-constraint route planning of unmanned aerial vehicle low-altitude penetration based on coevolutionary multi-agent genetic algorithm | |
Liu et al. | Study on UAV parallel planning system for transmission line project acceptance under the background of industry 5.0 | |
CN107633105B (zh) | 一种基于改进混合蛙跳算法的四旋翼无人机参数辨识方法 | |
CN106127146A (zh) | 一种基于手势识别的无人机航迹指引方法 | |
CN110703787A (zh) | 基于偏好矩阵的混合多目标pso算法的飞行器冗余控制方法 | |
CN109144099A (zh) | 基于卷积神经网络的无人机群行动方案快速评估方法 | |
CN107273929A (zh) | 一种基于深度协同神经网络的无人机自主降落方法 | |
Long et al. | A multi-subpopulation bacterial foraging optimisation algorithm with deletion and immigration strategies for unmanned surface vehicle path planning | |
Li et al. | Formation control of a multi-autonomous underwater vehicle event-triggered mechanism based on the hungarian algorithm | |
Li et al. | Improved cuckoo search algorithm with novel searching mechanism for solving unconstrained function optimization problem | |
CN102289675A (zh) | 一种船舶航向智能预报方法 | |
CN104816305B (zh) | 一种基于事件驱动机制的有限时间多机器人合作控制方法 | |
CN110398986A (zh) | 一种多源数据迁移的无人机密集树林感知技术 | |
CN112506216A (zh) | 一种无人机的飞行路径规划方法及装置 | |
Tan et al. | The research of air combat intention identification method based on bilstm+ attention | |
CN107292353A (zh) | 一种果树分类方法及系统 | |
CN103605631A (zh) | 一种基于支持向量几何意义的增量学习方法 | |
Omkar et al. | Identification of helicopter dynamics based on flight data using nature inspired techniques | |
Xu et al. | Trajectory planning of Unmanned Aerial Vehicle based on A* algorithm | |
CN115730631A (zh) | 联邦学习的方法和装置 | |
El Gmili et al. | Improved cuckoo search approach based optimal proportional-derivative parameters for quadcopter flight control |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191101 |
|
WD01 | Invention patent application deemed withdrawn after publication |