[发明专利]基于深度学习的自主导航与避障系统

权利要求书

1.基于深度学习的自主导航与避障系统，其特征在于：包括以下步骤：

S1，对单目图像进行语义分割，从而对障碍物进行分割并确定水域边界，并检测船舶与障碍物之间的距离；

S2，将语义分割结果传递给语义点云，生成驾驶推荐地图；

S3，通过全球定位系统GPS来进行全局路径规划，定位船舶的绝对位置，并进行局部路径规划；

S4，通过局部路径规划来设计船舶的最快路径和最短路径；

S5，通过语义点云来训练深度学习模型，通过深度强化学习进行船舶运动规划，进而控制船舶的转向和速度，实现船舶的自主移动导航。

2.如权利要求1所述的基于深度学习的自主导航与避障系统，其特征在于：步骤S1中，语义分割方法基于可通行区域和不可通行区域，其中可通行区域分为河流和海洋，分割区域由可通行区域的边界定义。

3.如权利要求1所述的基于深度学习的自主导航与避障系统，其特征在于：步骤S2中，生成驾驶建议地图时，制作障碍物点的图像轨迹，使用IBVS控制器进行跟踪，其中，第i个点P_i(w)的图像轨迹表示为w∈[0,1]，初始位置表示为w＝0，目标位置表示为$w＝1$，向量P_i(w)满足边界条件

P_i(w)和pi(w),i＝1,…,n定义为每个相机帧的参数，每个相机帧的物体点都与所有帧的P_i(w)相匹配，其中Wò[0,1]；

定义相对于F^o的相机姿态为F^*，则

P(F^*,F^o)＝{R,t}，

设Fd(w)为沿重建相机轨迹的相机帧，相对于F^o的Fd(w)的姿态定义为

P(F_d(w),F^o)＝{R(w),d(w)}，

第i个物体点的轨迹可以使用R(w)和d(w)表示为：

其中是参数化的点深度，ui是相机帧F^o中的第i个物理点ρ_i，

通过消除点深度来计算奇异值分解。

4.如权利要求1所述的基于深度学习的自主导航与避障系统，其特征在于：全局路径规划涉及到确定从起点到目的地的最佳路径，同时避开障碍物，表述为优化问题：最小化f(x)，服从g(x)＝0，其中x是决策变量的向量，f(x)是要最小化的目标函数，g(x)是约束条件。

5.如权利要求1所述的基于深度学习的自主导航与避障系统，其特征在于：通过船舶上的摄像头来确定船舶实际航向与预期航向之间的差异程度。