基于语义分割的障碍物尺寸预测与不确定性分析方法

1.本发明涉及一种基于语义分割的障碍物尺寸预测与不确定性分析方法。


背景技术：

2.随着人工智能技术的迅速发展，移动机器人广泛应用于各个领域。人们采用移动机器人替代人类前往复杂且危险的环境中完成作业任务，移动机器人的工作场合也越来越多地面向非结构化环境，因此，这也对移动机器人的自主性和智能性提出了更高的要求。移动机器人能够通过自身传感器获取周围环境信息和自身状态，实现在有障碍物的环境中向目标移动，并完成特定任务。随着移动机器人应用领域的复杂性不断增加，高效的环境感知成为了移动机器人避障导航和路径规划的前提。
3.为了提高移动机器人环境感知的能力，很多国内外学者都开展了相关的研究。t.ran等人提出了一种低成本的仅基于视觉的感知方式来实现室内移动机器人的导航方法，通过在静态和动态未知环境中进行广泛的实验，证明了所提出的导航方法的能力和稳健性。rouveure等人采用微波雷达替代传统光学传感器对移动机器人周围环境进行感知，包括障碍物探测、测绘和一般的态势感知，在5米到100米范围内，每秒钟能提供360
°
视角的周围环境。javier monroy等人将嗅觉和视觉结合到机器人应用中，在物体识别和场景活动理解等问题上利用气味信息的机制，提高了机器人在效率、自主性和实用性方面的能力。xu cui等人提出了一种基于改进的orb-salm2的移动机器人三维语义地图构建方法，所构建的三维环境热场图具有较高的准确性和实时性。dashuai wang等人提出了一个综合解决方案，包括基于深度学习的物体检测、图像处理、rgb-d信息融合和任务控制系统(tcs)，充分利用了深度学习和深度相机的优势，使无人机不仅能感知到障碍物的存在，还能感知其属性，如类别、轮廓和三维空间位置，对于提高无人机的环境感知和自主避障能力具有广泛的潜力。li wang等人提出了一个基于迁移学习的三层感知框架，包括一个地点识别模型、一个旋转区域识别模型和一个"侧面"识别模型。在一个真实的室内环境中进行了一些实验，证明了所提出的感知框架的有效性和稳健性。chaoqun wang等人提出了一个用于在三维复杂环境中安全移动机器人导航的综合系统，并将感知和导航能力都纳入了模块化和可重复使用的框架，所提出的系统能够使机器人在复杂的三维环境中进行有效和稳健的导航。varuna de silva等人将几个不同的传感器的组合，如lidar、雷达、超声波传感器和摄像机被用来感知自主车辆的周围环境，这些异质性的传感器同时捕捉环境的各种物理属性，极大地提高了移动机器人环境感知能力。sheng liu等人提出了一种趋势感知运动规划(tamp)的动态避障的运动规划算法，该方法产生了一条远离动态障碍物的轨迹，同时避开了障碍物的移动趋势。aleksey staroverov等人提出了语义分割、映射、定位和强化学习方法的独创性整合，以提高探索环境、寻找所需对象和快速导航的有效性，架构适应于在实时环境中工作，完全实现了该领域的现代趋势。
4.上述研究能够较好地感知环境并进行避障导航，也取得了较好的结果。但上述研究未充分获取环境信息，没有量化地感知环境，对障碍物的实际尺寸信息未获取。为了给移
动机器人路径规划和避障导航提供充分的数据基础，准确而有效地获取障碍物实际尺寸参数成为了一个亟待解决的问题。同时，准确地分析障碍物尺寸预测误差的不确定性对于评估移动机器人环境感知性能和降低预测误差具有重要意义。


技术实现要素：

5.为了解决上述技术问题，本发明提供一种算法简单、操作方便的基于语义分割的障碍物尺寸预测与不确定性分析方法。
6.本发明解决上述技术问题的技术方案是：一种基于语义分割的障碍物尺寸预测与不确定性分析方法，包括以下步骤：
7.步骤一：搭建基于语义分割的障碍物图像信息获取平台，从原始图像中分割出障碍物的区域，并获取障碍物的位置、最大像素宽度和最大像素高度；
8.步骤二：利用差分进化算法结合麻雀优化算法de-ssa优化广义回归神经网络grnn的平滑因子，构建以障碍物最大像素宽度、最大像素高度和障碍物到摄像机的距离为输入参数，以障碍物最大实际宽度和最大实际高度为输出参数的障碍物尺寸预测模型；
9.步骤三：采用非参数核密度估计npkde量化障碍物尺寸预测误差分布，如果障碍物实际尺寸值不在预测值的置信区间内，则反过来调整grnn模型的光滑因子，直至障碍物实际尺寸在预测值的置信区间内；
10.步骤四：将步骤一中得到的障碍物最大像素宽度、最大像素高度和通过测距传感器得到的障碍物到摄像机的距离输入到障碍物尺寸预测模型中，获得障碍物最大实际宽度和最大实际高度。
11.上述基于语义分割的障碍物尺寸预测与不确定性分析方法，所述步骤一中，通过摄像机获取障碍物rgb图像，对获取的rgb图像进行数据集标注，然后训练语义分割模型，再采用训练好的模型识别障碍物，最终提取障碍物的轮廓，同时获取障碍物的像素尺寸信息，具体过程为：
12.(1-1)图像预处理：选择若干张rgb图像文件作为数据样本集，采用deep learning tool 0.6.2工具箱对图片进行标注，标注后图片有3个标签，分别为背景、障碍物、地面；
13.(1-2)拆分数据集：采用split_dl_dataset算子将图片数据集拆分成训练、验证和测试数据集，比率设置为70:15:15；
14.(1-3)设置参数：选择pretrained_dl_segmentation_enhanced.hdl为网络的预训练模型，设置图像处理参数，在预处理过程中，所有图像都被缩放到“图像宽度”和“图像高度”中设置的值，所有模型均使用rgb图像进行预训练；采用set_dl_model_param算子设置模型超参数；
15.(1-4)模型训练：采用create_dl_train_param算子和train_dl_model算子创建语义分割模型并进行训练，得到训练后的语义分割模型；
16.(1-5)模型评估：采用evaluate_dl_model算子对语义分割模型预测分割结果进行评估，评估不达标则返回继续训练；
17.(1-6)图像分割：采用训练好的语义分割模型对图像进行分割，获取障碍物的位置信息以及像素尺寸信息，最终获得原图中每个障碍物的最大像素宽度和最大像素高度。
18.上述基于语义分割的障碍物尺寸预测与不确定性分析方法，所述步骤(1-3)中，图
像处理参数包括图像宽度、图像高度为和通道数量，超参数包括epoch数量、批次大小batch_size、学习速率learning_rate、动量momentum、权重weight_prior，硬件参数选择inter(r)core(tm)i7-9700 cpu 3.00ghz。
19.上述基于语义分割的障碍物尺寸预测与不确定性分析方法，所述步骤(1-5)中，采用交并比iou来衡量语义分割模型预测分割结果和真实结果的差异，具体计算如下式：
[0020][0021]
式中，a为预测结果集，b为语义分割真实值；判断交并比iou是否大于预设值，若是，则训练完成，得到最终的语义分割模型，若否，则返回继续训练。
[0022]
上述基于语义分割的障碍物尺寸预测与不确定性分析方法，所述步骤二具体过程为：
[0023]
(2-1)确定grnn模型的输入和输出参数：以障碍物的像素宽度w、像素高度h和障碍物到摄像机的距离l作为grnn模型的输入参数，以障碍物的实际宽度w和实际高度h作为grnn模型的输出参数；
[0024]
(2-2)输入和输出数据归一化：对输入和输出数据进行归一化处理，使得每个指标的数据范围在[-1,1]之间；
[0025]
(2-3)设置参数：设置的参数包括差分进化算法中比例因子下限beta-min、比例因子上限beta-max和交叉概率p
cr
；麻雀搜索算法ssa中变量数dim、最大迭代次数maxiter、麻雀种群数量n、探索者的数量pd和侦察者的数量sd；
[0026]
(2-4)初始化麻雀种群：麻雀种群用n
×
dim维矩阵q表示：
[0027][0028]
其中q
n,dim
表示第n只麻雀在第dim维时的位置信息；
[0029]
(2-5)执行差分进化算法的变异和交叉操作：将麻雀种群中每个个体初始化成不同的向量，随机选取多个不同的向量，通过向量之间的加减和缩放运算，得到区别于初始种群的变异个体，变异操作具体公式为：
[0030]vi
(t+1)＝q
r1
(t)+beta
·
(q
r2
(t)-q
r3
(t))
[0031]
式中，vi(t+1)为第i个变异个体，i∈1,2,
…
,n；beta为缩放因子，其取值范围为[beta-min,beta-max]，r1,r2,r3∈[1,n]，且r1≠r2≠r3；
[0032]
为了提高麻雀种群的多样性，交换变异向量vi和目标向量qi之间的部分信息，生成新的备选个体，同时也保留了变异个体与原个体之间的信息，交叉操作公式为：
[0033][0034]
式中，p
cr
为交叉概率；此处是一个分段函数，otherwise表示在其他情况下，目标向量等于新的变量组，没有变化；
[0035]
(2-6)计算适应度值并寻找最优适应度对应的个体：麻雀种群的适应度值f计算如公式为：
[0036][0037]
其中f为个体适应度值；对所有个体的适应度值进行排序，并找到最优适应度个体q
best
和最差适应度个体q
worst
；
[0038]
(2-7)更新探索者的位置；
[0039]
(2-8)更新追随者的位置；
[0040]
(2-9)更新侦察者的位置；
[0041]
(2-10)判断是否满足最大迭代次数的条件，当t《maxiter时，返回步骤(2-5)；当t≥maxiter时，结束循环并返回麻雀种群最优个体q
best
；
[0042]
(2-11)创建和训练grnn模型并将麻雀种群最优个体q
best
设置到grnn模型中；
[0043]
(2-12)采用grnn模型进行预测，获得输出数据，并对输出数据进行反归一化，得到实际数据，最后进行误差分析。
[0044]
上述基于语义分割的障碍物尺寸预测与不确定性分析方法，所述步骤(2-7)中，当r《s
t
时，说明在觅食区域周围没有捕食者，探索者开启搜索模式，引导种群向更优的适应度值逼近；当r≥s
t
时，说明种群边缘的麻雀发现捕食者并迅速发出报警信号，种群立即作出反捕食行为，探索者将所有的追随者带到安全区域觅食，探索者位置更新的数学模型为：
[0045][0046]
式中，t表示迭代的次数；j＝1,2,
…
,dim；表示第t次迭代后第i个麻雀第j维的位置；maxiter表示为最大迭代次数；τ为(0,1]范围内的随机数；r为[0,1]范围内的报警值；s
t
为[0.5,1]范围内的安全阈值；u为服从正态分布的随机数；ψ为1
×
dim的单位矩阵。
[0047]
上述基于语义分割的障碍物尺寸预测与不确定性分析方法，所述步骤(2-8)中，探索者和追随者的身份是动态交互的，当追随者的能量越低，处在种群中的位置就越差，为了获得更高的能量，追随者总能找到提供最好食物的探索者，并通过竞争的方式争夺食物；追随者位置的数学模型为：
[0048][0049]
由于探索者、追随者和侦察者的位置是随着适应度值随时调换的，因此均采用来表示，式中，q
p
为当前探索者所占据的最优位置；q
worst
为当前全局最差的位置；上标t+1表示第t次迭代；η为1
×
dim矩阵，其中每个元素随机赋值1或者-1，并且η
+
＝η
t
(ηη
t
)-1
；当i》n/2时，适应度值低的第i个加入者没有获得食物，处于十分饥饿的状态，此时飞往其他地方觅食，以获得更多的能量。
[0050]
上述基于语义分割的障碍物尺寸预测与不确定性分析方法，所述步骤(2-9)中，当fi》fg时，表明处于种群边缘的麻雀极易成为捕食者的目标，当边缘麻雀意识到危险时，会向安全位置靠拢；当fi＝fg时，表明位于中间位置的麻雀也意识到危险并向其他麻雀随机靠拢
以躲避捕食者；侦察者位置更新的数学模型为：
[0051][0052]
式中，q
best
为当前的全局最优位置；β作为步长控制参数，是服从均值为0、方差为1的正态分布的随机数；k是[-1,1]的随机数；fi为第i个麻雀个体的适应度值，fg和fw分别为当前全局最佳和最差的适应度值；ε为最小的常数，以避免分母出现0。
[0053]
上述基于语义分割的障碍物尺寸预测与不确定性分析方法，所述步骤(2-11)中，训练后的grnn模型由四层组成，分别为输入层、模式层、求和层以及输出层，对应的网络输入为x＝[x1,x2,
…
,xn′
]
t
，其输出为y＝[y1,y2,
…
,yk′
]
t
；
[0054]
(1)输入层
[0055]
输入层的神经元数目等于学习样本中输入向量的维数，各神经元是简单的分布单元，直接将输入变量传递给模式层；
[0056]
(2)模式层
[0057]
模式层的神经元数目等于学习样本数目n
′
，各神经元对应不同的样本，模式层第i
′
个神经元传递函数pi′
为：
[0058][0059]
式中，x为网络的输入变量，xi′
为第i
′
个神经元对应的学习样本，σ为grnn模型的光滑因子；
[0060]
(3)求和层
[0061]
求和层中使用两种类型神经元进行求和，一种是算术求和，另一种是加权求和；
[0062]
算术求和是对所有模式层神经元的输出进行求和，其模式层与各神经元的连接权值为1，算术求和传递函数为；
[0063][0064]
加权求和是对所有模式层的神经元进行求和，模式层中第i
′
个神经元与求和层中第j
′
个分子求和，神经元之间的连接权值为第i
′
个输出样本yi′
中的第j
′
个元素，加权求和传递函数为：
[0065][0066]snj
′
为求和层第j
′
个神经元的值，yi′j′
为输入样本为(i
′
,j
′
)对应的输出y值；对应的网络输入为x＝[x1,x2,
…
,xn′
]
t
，其输出为y＝[y1,y2,
…
,yk′
]
t
；
[0067]
(4)输出层
[0068]
输出层的神经元数目等于学习样本中输出向量的维数k
′
，各神经元与求和层的输出相除，神经元j
′
的输出yj′
对应估计结果的第j
′
个元素：
0.6.2工具箱对200张图片进行标注，标注后图片有3个标签，分别为背景、障碍物、地面。障碍物的原图如图3中的(a)所示，标注后的结果如图3中的(b)所示。
[0087]
(1-2)拆分数据集：采用split_dl_dataset算子将200张图片数据集拆分成训练、验证和测试数据集，比率设置为70:15:15。
[0088]
(1-3)设置参数：选择pretrained_dl_segmentation_enhanced.hdl为网络的预训练模型，采用预训练模型的好处是即使在少量图像样本的情况下也可以获得较好的训练效果，还可以提高网络的训练效率。设置图像处理参数，图像宽度为695，图像高度为431，通道数量为3，在预处理过程中，所有图像都会被缩放到“图像宽度”和“图像高度”中设置的值，所有模型均使用rgb图像进行预训练。采用set_dl_model_param算子设置模型超参数，epoch数量为15，批次大小batch_size为10，学习速率learning_rate为0.0001，动量momentum为0.99，权重weight_prior为0.00005，硬件参数选择inter(r)core(tm)i7-9700 cpu 3.00ghz。
[0089]
(1-4)模型训练：采用create_dl_train_param算子和train_dl_model算子创建语义分割模型并进行训练，得到训练后的语义分割模型。训练过程如图2中的(b)所示，由此可知训练后的语义分割模型，基本与真实值吻合。
[0090]
(1-5)模型评估：采用evaluate_dl_model算子对语义分割模型预测分割结果进行评估，评估不达标则返回继续训练；
[0091]
图像分割的结果一般是形状不规则，而且无法通过简单的结构化公式计算，采用交并比iou来衡量语义分割模型预测分割结果和真实结果的差异，具体计算如下式：
[0092][0093]
式中，a为预测结果集，b为语义分割真实值；判断交并比iou是否大于预设值，若是，则训练完成，得到最终的语义分割模型，若否，则返回继续训练。
[0094]
(1-6)图像分割：采用训练好的语义分割模型对图像进行分割，获取障碍物的位置信息以及像素尺寸信息，一张新的障碍物识别原图如图3中的(c)所示，采用语义分割模型预测的结果如图3中的(d)所示，提取障碍物的结果如图3中的(e)所示，提取障碍物的轮廓如图3中的(f)所示。最终获得原图中每个障碍物的最大像素宽度和最大像素高度。
[0095]
通过语义分割算法能够实时获取障碍物的位置和像素尺寸参数，符合工程实际需求。当训练样本足够多的情况下，采用语义分割模型也能够很好地适应恶劣环境，如在光线较暗和环境较复杂的条件下提取出障碍物的轮廓。
[0096]
采用evaluate_dl_model算子对模型进行评估，获得的交并比(iou)为0.972，其中障碍物的iou为0.951，表明训练后的语义分割模型能够准确的从原始图像中分割出障碍物的区域。
[0097]
步骤二：利用差分进化算法结合麻雀优化算法de-ssa优化广义回归神经网络grnn的平滑因子，构建以障碍物最大像素宽度、最大像素高度和障碍物到摄像机的距离为输入参数，以障碍物最大实际宽度和最大实际高度为输出参数的障碍物尺寸预测模型。
[0098]
如图4所示，步骤二具体过程为：
[0099]
(2-1)确定grnn模型的输入和输出参数：以障碍物的像素宽度w、像素高度h和障碍物到摄像机的距离l作为grnn模型的输入参数，以障碍物的实际宽度w和实际高度h作为
grnn模型的输出参数。
[0100]
(2-2)数据归一化：对输入和输出数据进行归一化处理，使得每个指标的数据范围在[-1,1]之间。
[0101]
(2-3)设置参数。设置的参数包括：差分进化算法(de)中比例因子下限beta-min为0.2、比例因子上限beta-max为0.8和交叉概率p
cr
为0.2；麻雀搜索算法(ssa)中变量数dim为1、最大迭代次数maxiter为30、麻雀种群数量n为50、探索者的数量pd为10和侦察者的数量sd为10。
[0102]
(2-4)初始化麻雀种群。麻雀种群可以用50
×
1维矩阵表示：
[0103][0104]
其中q
n,dim
表示第n只麻雀在第dim维时的位置信息。
[0105]
(2-5)执行差分进化算法的变异和交叉操作。将麻雀种群中每个个体初始化成不同的向量，随机选取多个不同的向量，通过向量之间的加减和缩放运算，得到区别于初始种群的变异个体，实现可行域中不同区域的优化；
[0106]
变异操作具体公式为：
[0107]vi
(t+1)＝q
r1
(t)+beta
·
(q
r2
(t)-q
r3
(t))
[0108]
式中，vi(t+1)为第i个变异个体，i∈1,2,
…
,n；beta为缩放因子，其取值范围为[beta-min,beta-max]，r1,r2,r3∈[1,n]，且r1≠r2≠r3；
[0109]
为了提高麻雀种群的多样性，交换变异向量和目标向量之间的部分信息，生成新的备选个体，同时也保留了变异个体与原个体之间的信息；
[0110]
交叉操作公式为：
[0111][0112]
式中，p
cr
为交叉概率；此处是一个分段函数，otherwise表示在其他情况下，目标向量等于新的变量组，没有变化。
[0113]
(2-6)计算适应度值并寻找最优适应度对应的个体：麻雀种群的适应度值f计算如公式为：
[0114][0115]
其中f为个体适应度值；对所有个体的适应度值进行排序，并找到最优适应度个体q
best
和最差适应度个体q
worst
。
[0116]
(2-7)更新探索者的位置。
[0117]
当r《s
t
时，说明在觅食区域周围没有捕食者，探索者开启搜索模式，引导种群向更优的适应度值逼近；当r≥s
t
时，说明种群边缘的麻雀发现捕食者并迅速发出报警信号，种群立即作出反捕食行为，探索者将所有的追随者带到安全区域觅食，探索者位置更新的数
学模型为：
[0118][0119]
式中，t表示迭代的次数；j＝1,2,
…
,dim；表示第t次迭代后第i个麻雀第j维的位置；maxiter表示为最大迭代次数；τ为(0,1]范围内的随机数；r为[0,1]范围内的报警值；s
t
为[0.5,1]范围内的安全阈值；u为服从正态分布的随机数；ψ为1
×
dim的单位矩阵。
[0120]
(2-8)更新追随者的位置。
[0121]
探索者和追随者的身份是动态交互的，当追随者的能量越低，处在种群中的位置就越差，为了获得更高的能量，追随者总能找到提供最好食物的探索者，并通过竞争的方式争夺食物；追随者位置的数学模型为：
[0122][0123]
由于探索者、追随者和侦察者的位置是随着适应度值随时调换的，因此均采用来表示，式中，q
p
为当前探索者所占据的最优位置；q
worst
为当前全局最差的位置；上标t+1表示第t次迭代；η为1
×
dim矩阵，其中每个元素随机赋值1或者-1，并且η
+
＝η
t
(ηη
t
)-1
；当i》n/2时，适应度值低的第i个加入者没有获得食物，处于十分饥饿的状态，此时飞往其他地方觅食，以获得更多的能量。
[0124]
(2-9)更新侦察者的位置。
[0125]
当fi》fg时，表明处于种群边缘的麻雀极易成为捕食者的目标，当边缘麻雀意识到危险时，会向安全位置靠拢；当fi＝fg时，表明位于中间位置的麻雀也意识到危险并向其他麻雀随机靠拢以躲避捕食者；侦察者位置更新的数学模型为：
[0126][0127]
式中，q
best
为当前的全局最优位置；β作为步长控制参数，是服从均值为0、方差为1的正态分布的随机数；k是[-1,1]的随机数；fi为第i个麻雀个体的适应度值，fg和fw分别为当前全局最佳和最差的适应度值；ε为最小的常数，以避免分母出现0。
[0128]
(2-10)判断是否满足最大迭代次数的条件，当不满足时，返回步骤(2-5)；当满足时，结束循环并返回麻雀种群最优个体的位置。
[0129]
(2-11)创建和训练grnn模型并将麻雀种群最优个体的位置设置到grnn模型中。
[0130]
训练后的grnn模型由四层组成，分别为输入层、模式层、求和层以及输出层，对应的网络输入为x＝[x1,x2,
…
,xn′
]
t
，其输出为y＝[y1,y2,
…
,yk′
]
t
；
[0131]
(1)输入层
[0132]
输入层的神经元数目等于学习样本中输入向量的维数，各神经元是简单的分布单元，直接将输入变量传递给模式层；
[0133]
(2)模式层
[0134]
模式层的神经元数目等于学习样本数目n
′
，各神经元对应不同的样本，模式层第i
′
个神经元传递函数pi′
为：
[0135][0136]
式中，x为网络的输入变量，xi′
为第i
′
个神经元对应的学习样本，σ为grnn模型的光滑因子；
[0137]
(3)求和层
[0138]
求和层中使用两种类型神经元进行求和，一种是算术求和，另一种是加权求和；
[0139]
算术求和是对所有模式层神经元的输出进行求和，其模式层与各神经元的连接权值为1，算术求和传递函数为；
[0140][0141]
加权求和是对所有模式层的神经元进行求和，模式层中第i
′
个神经元与求和层中第j
′
个分子求和，神经元之间的连接权值为第i
′
个输出样本yi′
中的第j
′
个元素，加权求和传递函数为：
[0142][0143]snj
′
为求和层第j
′
个神经元的值，yi′j′
为输入样本为(i
′
,j
′
)对应的输出y值；对应的网络输入为x＝[x1,x2,
…
,xn′
]
t
，其输出为y＝[y1,y2,
…
,yk′
]
t
；
[0144]
(4)输出层
[0145]
输出层的神经元数目等于学习样本中输出向量的维数k
′
，各神经元与求和层的输出相除，神经元j
′
的输出yj′
对应估计结果的第j
′
个元素：
[0146][0147]
(2-12)采用grnn模型进行预测，获得输出数据，并对输出数据进行反归一化，得到实际数据，最后进行误差分析。
[0148]
步骤三：采用非参数核密度估计npkde量化障碍物尺寸预测误差分布，如果障碍物实际尺寸值不在预测值的置信区间内，则反过来调整grnn模型的光滑因子，直至障碍物实际尺寸在预测值的置信区间内。
[0149]
采用npkde计算障碍物尺寸预测误差的概率密度分布，计算方法如下：npkde的概率密度分布如公式(2)所示。
[0150][0151]
式(2)中，n为区间样本数，b为带宽系数，xi为第i个样本，g(x)为高斯函数。
[0152]
步骤四：将步骤一中得到的障碍物最大像素宽度、最大像素高度和通过测距传感器得到的障碍物到摄像机的距离输入到障碍物尺寸预测模型中，获得障碍物最大实际宽度和最大实际高度。
[0153]
图5为基于grnn的障碍物尺寸预测模型，并以障碍物最大像素宽度、最大像素高度
和障碍物到摄像机的距离为输入参数，以障碍物最大实际宽度和最大实际高度为输出参数。
[0154]
表1给出了一个基于语义分割和de-ssa-grnn模型的障碍物尺寸预测和不确定性分析方法算例，通过比较de-ssa-grnn、ssa-grnn、pso-grnn、grnn以及bp模型的预测性能。五种模型预测指标的比较如表1所示。在表1中，相关系数最高的是de-ssa-grnn模型为0.9945，其次是ssa-grnn模型为0.9883，最低的是bp模型为0.7596。均方根误差最低的是de-ssa-grnn模型为0.5515，其次是ssa-grnn模型为0.8038，最高的是bp模型为3.6457。平均百分比误差最低de-ssa-grnn模型为1.13％，其次是ssa-grnn模型为1.4％，最高的是bp模型为14.71％。这些数据结果表明de-ssa-grnn模型的预测性能较其他四种预测模型最优，能够满足工程实际需求，为移动机器人的普及和工程化应用提供了新的解决方案。
[0155]
表1
[0156][0157]
根据上述说明书的揭示和描述，本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对发明构成任何限制。