.png){kind=icon}
返回
Visual-based obstacle avoidance method using advanced CNN for mobile robots
.png){kind=icon}
PRE
AI
DOI：10.1016/j.iot.2025.101538.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人工智能是加速物理系统发展的关键因素之一。特别是自主机器人，在感知和解释环境方面严重依赖深度学习技术。在此背景下，本文提出了一种基于扩展MobileNetV2的移动机器人避障方法。该方法使用的深度网络架构参数数量少，适用于部署在不需要高计算能力的移动设备上。为实现该方法，设计了一款两轮非完整约束移动机器人。该移动机器人配备了Jetson Nano开发板以利用深度网络架构。此外，通过使用摄像头和超声波传感器数据，使移动机器人能够检测障碍物。为测试所提出方法的表现，设计了三个不同的充满障碍物的环境以模拟真实世界条件。通过将环境采集的图像与传感器数据相结合，创建了一个独特的数据集。该数据集通过在摄像头图像中添加红、蓝、绿三色的明暗色调生成，并将颜色强度与超声波传感器测量的障碍物距离相关联。为避障任务开发的扩展MobileNetV2架构在此数据集上进行训练，并与现有先进低参数卷积神经网络（CNN）模型进行比较。基于结果，所提出的深度学习架构优于其他模型，准确率达到92.78%。此外，该移动机器人在实际应用中成功完成了避障任务。
Keyword:
Cyber-physical systems
Mobile robots
Deep learning
期刊
IF:
7.6
论文数:
1.9K
被引数:
6.9K
机构
引用论文
分享收藏A novel methodology for vision-based path planning and obstacle avoidance in mobile robot applications一种基于视觉的路径规划与避障新方法在移动机器人应用中的研究
PREAI
分享收藏Dynamic local path planning method based on neutrosophic set theory for a mobile robot基于 neutrosophic set theory 的移动机器人动态局部路径规划方法
PREAI
分享收藏Multi-Scale Fully Convolutional Network-Based Semantic Segmentation for Mobile Robot Navigation.png)
Electronics
OAAI
ElectronicsIF0
OAAI分享收藏
查看更多内容