1. 研究目的与意义（文献综述）
1.目的及意义（含国内外的研究现状分析）
智能小车避障是进行人工智能研究的重要方法，通过研究小车避障的人工智能算法，既能节省研究成本，又能对当前最新的无人驾驶需要的核心技术进行基础性研究，是当前比较流行的方式。
目前，智能小车的研究成果是通过各种传感器、测量器等来获取环境的信息，然后利用人工智能技术进行独立思维、学习、识别、推理，并做出判断和决策，使小车能自主行动并实现预定目标。随着人工智能的发展，人们对智能小车的需求已经不在仅限于完成一些简单的工作，而是将其运用于农业生产、海洋开发、社会服务、娱乐、交通运输、医疗康复、航天和国防以及宇宙探索等领域，而正是在这些领域不断地运用，进一步促进深度学习的发展。
2. 研究的基本内容与方案
2. 基本内容和技术方案
2.1 设计的需求分析
自动避障小车是通过视觉采集模块采集环境和自身位姿，在复杂路况中自主决策，完成行进与躲避的机器人系统，因此需要深度学习训练过程提供算法以及硬件平台提供控制以完成避障规划。
基于深度学习的自动避障小车在硬件方面需要基本满足一下条件：
①视觉采集模块，能够实时反馈小车运动时路况上的各种信息。为保证能较为精准的采集信息，需要在合适的位置安装小车的信息采集模块。
②电机驱动模块，保证小车能够运动，并能控制小车的运动。
③电源供电模块，保证小车驱动模块以及主控电路模块的供电需求。
④硬件主控模块，由于小车需要满足实时反馈路况信息，同时要自我反应路况，因此主控模块要求能够快速处理获得数据，运行数据，存储数据。本次设计选用树莓派来担任硬件主控模块。
基于深度学习的自动避障小车在软件方面需要基本满足一下条件：
①保证能够控制小车的运动状态。
②能够将获取的信息及时传送至个人电脑上。
③能够对路况信息进行预处理。
④采集到路况信息以后，能小车位置进行道路规划。
综上所述，本次毕业设计将利用Python3.7来完成各种程序的编写。
2.2设计基本内容
2.2.1设计总体架构设计
根据以上需求分析，基于深度学习的自动避障小车采用基于深度学习框架的数据处理方式以及树莓派控制模式，系统的整体架构如图2.1所示。这种方式使得计算机参与到了小车的控制中，很大程度的提高了避障规划的计算速度。
图2.1 系统总体架构设计
2.2.2系统模块结构图
智能小车避障算法结构如下图2.2所示。
图2.2只能小车避障算法结构
| 深度学习数据处理基本步骤如图2.3所示。 |
图2.3 智能小车避障算法结构
2.3技术方案
目前，在自动避障小车设计领域，基于人工智能的路况规划将是现代人工智能技术应用到移动机器人领域的主流方式，大部分设计均基于卷积神经网络算法而设计，因而此次设计将利用Python3.7编写的深度学习框架为智能小车提供自动避障算法进行设计，并且使用树莓派平台进行控制，能够满足与计算机随时随刻传输数据。3. 研究计划与安排
3. 完成任务的时间节点：
在综合考虑设计任务之后，设计进度安排如下：
第1-4周：查阅相关文献资料，明确研究内容，了解研究所需掌握的知识范围，学习编程技术的同时完成开题报告。
4. 参考文献（12篇以上）
| 4. 参考文献： [1] MartinLngkvist,Lars Karlsson,Amy Loutfi. A review of unsupervised feature learningand deep learning for time-series modeling[J]. Pattern RecognitionLetters,2014,42. [2] BudihartoWidodo. Intelligent Surveillance Robot with Obstacle Avoidance Capabilities UsingNeural Network.[J]. Computational intelligence and neuroscience,2015,2015. [3]Xiaolu Zhu,Jinglin Li,Zhihan Liu etal.Optimization Approach to Depot Location in Car Sharing Systems with BigData[C].//2015 IEEE International Congress on Big Data: 2015 IEEEInternational Congress on Big Data (BigData Congress 2015), 27 June - 2 July2015, New York, NY, USA.2015:335-342. [4]PeizhuChen,GuohuaChen,LiangwangWang,GenserikReniers.Optimizingemergencyrescueandevacuationplanningwithintelligentobstacleavoidanceinachemicalindustrialpark[J].JournalofLossPreventionintheProcessIndustries,2018. [5]Portable Parallel Programs with Pythonand OpenCL[J].Computing in science amp;amp;engineering,2014,16(1):34-40. [6]Debby D. Wang,Ran Wang,Hong Yan etal.Fast prediction of protein-protein interactionsites based on Extreme LearningMachines[J].Neurocomputing,2014,128(Mar.27):258-266. [7] Debby D. Wang,Ran Wang,Hong Yan. Fast prediction of protein–proteininteraction sites based on Extreme Learning Machines[J].Neurocomputing,2014,128. [8]Shah, Parul,Merchant, Shabbir N.,Desai,Uday B. et al.Multifocus and multispectral image fusion based on pixelsignificance using multiresolution decomposition[J].Signal, image and videoprocessing,2013,7(1):95-109. [9] 余凯,贾磊,陈雨强,徐伟.深度学习的昨天、今天和明天[J].计算机研究与发展,2013,50(09):1799-1804. [10] 许亚. 基于强化学习的移动机器人路径规划研究[D].山东大学,2013. [11] 孙志军,薛磊,许阳明,王正.深度学习研究综述[J].计算机应用研究,2012,29(08):2806-2810. [12]于乃功,默凡凡.基于深度自动编码器与Q学习的移动机器人路径规划方法[J].北京工业大学学报,2016,42(5):668-673. [13] 周世正. 基于深度强化学习的多机器人协同导航[D].浙江大学,2019. [14] 张泽苗,霍欢,赵逢禹.深层卷积神经网络的目标检测算法综述[J].小型微型计算机系统,2019,40(09):1825-1831. [15] 米天峰.深度学习理论在智能小车中的应用与研究[J].电子世界,2018(13):133. [16]（黎）玛丽特·阿瓦德著.高效机器学习理论、算法及实践[M].北京：机械工业出版社,2017. [17]邓文渊.毫无障碍学Python[M].北京：中国水利水电出版社,2017. [18]李婷.机器觉醒[M].广西：广西师范大学出版社,2015. [19]（美）戴维·朱利安著.机器学习系统设计：Python语言实现[M].北京：机械工业出版社,2017. [20] 徐玉芳,苏斌.Python语言特点及其在机器学习中的应用[J].计算机产品与流通,2019(12):142. [21] 张索非,冯烨,吴晓富.基于深度卷积神经网络的目标检测算法进展[J].南京邮电大学学报(自然科学版),2019,39(05):72-80. [22] 叶钊. 目标检测技术研究进展[C]. 中国计算机用户协会网络应用分会.中国计算机用户协会网络应用分会2019年第二十三届网络新技术与应用年会论文集.中国计算机用户协会网络应用分会:北京联合大学北京市信息服务工程重点实验室,2019:245-249. [23]吴萍.算法与程序设计基础[M].北京：清华大学出版社.2015. |
