基于多模型嵌入技术的复杂环境感知研究

复杂的、无结构的环境可通行区域和地形分类研究是面向机器人环境感知的两个重要的问题。由于机器人的导航、避障、路径规划能力受时间、季节、光照、气候的影响，限制了动态复杂环境下机器人实时识别地形的能力。多模态嵌入技术是解决该问题的有效途径，然而，多模态嵌入技术结合环境感知结合还处在初步研究阶段，仅限的成果用于可通行区域识别，无法应用于地形多分类问题。而且选择什么样的基学习模型是重要的，但也是困难的。本项目将以环境特征抽取、基模型的选择以及多模型嵌入技术中涉及的几个关键问题为攻关内容对复杂环境感知与识别问题进行基础研究探讨。本项目的创新之处是提出基于多凸规划的特征抽取算法、提出基于局部样本相似度的多类多模型嵌入技术、提出针基于可通行区域/不可通行区域识别问题的学习器融合的多模态嵌入技术。本项目预期成果通过以软件和论文的形式提交，预期在国际核心学术期刊和国际学术会议上发表学术论文八篇。

本项目主要研究了基于多模型嵌入技术的环境理解技术，主要包括两个方面的内容，大间隔子空间和多平面分类算法与理论，以及其在地形识别上的应用研究。本项目主要的创新性成果如下：.（1）提出软间隔子空间方法RSS。与传统的基于图嵌入子空间方法不同，RSS最大化每一对类间配对距离。RSS向目标函数中引入对称Hingle损失函数以至于达到允许一些配对距离违背最大化约束的目的。为了解决目标问题中约束的差凸特性给求解带来的困难，提出了两种求解方案，一种是采用“凹-凸”优化的方法，另外一种是采用高斯近似函数的快速牛顿法。从理论上证明了基于“凹-凸”优化方法最终是迭代解标准凸规划问题。.（2）对基于标记回归的子空间方法展开三个方面的研究:（a）深入分析了虚拟标记回归方法，从理论上证明，VLR中的标记繁衍方法可以通过一个正则化框架表示，基于该框架讨论了SRW与高斯场和谐函数和局部全局一致方法的联系；（b）探讨了存在的回归子空间之间的联系；（c）为了解决小类别问题，提出一个迭代正交标记回归框架，并针对大规模问题面对的内存溢出问题，提供了两种解决策略。.（3）提出两个特征值型多平面分类算法：一个是多权向量投影支持向量机MVSVM，另一个是分解特征值型多平面分类方法DMC。MVSVM可以有效缓解传统特征值型多平面分类算法面对的平面交叉它类导致性能恶化等问题，该算法无需解具体的分类平面且问题归结为解简单特征值型问题。DMC采用分解技术将表示数据的矩阵分成多个矩阵块，而且，每个矩阵块中的数据不存在交集，此特性使得DMC可以实时处理大规模数据，每次只需要存储样本维数平方的内存，时间复杂度等价于传统特征值型方法GEPSVM。.（4）基于相关支持向量机型多平面分类方法，提出了两个同时特征选择与分类 SFC的联合算法：常规对支持向量机特征选择方法RFTSVM和外部惩罚的对支持向量机的特征选择方法EFTSVM。RFTSVM直接向最小二乘对支持向量机LSTSVM的目标函数中引入 范数Tikhonov正则项。为了缓解RFTSVM和传统 范数多平面分类方法倾向于强调最小化远离本类样本的点到平面的距离，提出了EFTSVM。该方法向TWSVM目标函数中引入 范数Tikhonov正则项。.本项目完成了论文19篇，其中国内外核心期刊论文12篇，国际会议论文7篇，培养毕业博士3名,硕士4名，在读博士1名，硕士2名。

内容获取失败，请点击重试