袁朝春， 朱昊宇， 何友国， JIE Shen， 陈 龙
(1. 江苏大学 汽车工程研究院， 江苏 镇江 212013；
2. 密西根大学迪尔本分校 计算机科学与信息科学系， 密西根州 迪尔本 MI 48128)
自主导航是智能车辆进行无人行驶的基础.传统方法利用惯导和GPS(global positioning system)组合方式实现定位，但是高楼和树木等会遮挡GPS信号，造成GPS定位发生多路径效应[1].智能汽车在实际弱GPS环境导航时，只需确定车辆当前在全局地图中的大致位置，进而利用全局路径规划算法为车辆输出向前方某个道路分支行驶的方向.
笔者针对城市环境GPS易定位失效的问题，提出一种利用视觉位置识别的智能汽车自主导航算法.为了识别车辆在无GPS环境中的全局位置，利用无人机辅助获取车辆周围场景图像，设计与离线存储的卫星图像之间的检索算法进行位置识别.通过注意力模型和细粒度特征提取模块得到图像中具有判别力的视觉特征，实现航拍图像与离线卫星图像的匹配检索.在获取车辆位置信息基础上，通过精英蚁群优化算法将下一节点与目标节点距离作为启发函数，提高蚁群对最优路径搜索的倾向性,为车辆输出前方道路分支行驶的方向.
视觉位置识别神经网络结构如图1所示，构造的视觉位置识别网络包括孪生神经网络和细粒度特征提取模块.孪生神经网络结构采用2个SeResNeXt50组成提取图像特征，其中2个子体网络共享权重.在SeResNeXt50网络的残差结构中嵌入注意力机制，获取待识别图像的注意力特征图.细粒度特征提取模块中，局部特征提取分支通过遮挡随机批次特征图获取局部特征.利用标签平滑的交叉熵损失函数对全局特征提取分支和局部特征提取分支进行预测训练.
图1 视觉位置识别神经网络结构
1.1 SENet注意力机制模块
SENet(squeeze-and-excitation network)[9]注意力机制从特征图通道角度，关注对识别任务重要的通道，忽略无用通道.SENet网络首先对特征图做挤压操作，获取表示特征图各个通道全局信息值；
再对全局信息值做激励操作，通过损失函数反向传播让网络学习表达特征图不同通道的权重值；
将通道权重乘以最初的特征图得到注意力特征图.挤压、激励和重标定的过程如图2所示.
图2 挤压、激励和重标定的过程
SE(squeeze-and-excittation)注意力机制中挤压、激励和重标定的具体过程如下：
1) 挤压操作对输入特征图Uc(i，j)通过全局平均池化实现特征的聚合映射，即将全局空间特征压缩成1×1×C的全局信息描述符.不同信息描述符的大小表征特征在不同通道的响应程度.挤压计算描述为
(1)
式中：Zc为全局特征输出；
W为特征图宽；
H为特征图高；
Uc(i，j)∈RH×W.
2) 激励操作利用参数W表示特征通道权重，可以学习表征不同通道对识别任务重要程度.为了减少计算的复杂度，激励操作采用全连接层结构，前面的全连接层W1用来减小特征大小，激活函数选择ReLU函数；
后一个全连接层W2恢复特征大小，利用Sigmoid函数作为激活函数.激励计算描述为
Sc=σ(W2δ(W1Zc))，
(2)
式中：Sc为通道权重系数；
W1、W2为全连接层参数；
δ、σ分别为ReLU激活函数和Sigmoid激活函数操作.
3) 重标定操作是在原有特征图不同通道的基础上加权乘以各自通道权重，实现重标定初始特征图的通道权值，其中各自通道的权重利用上文激励操作获取.重标定操作方法为
(3)
1.2 细粒度特征提取模块
为了让网络训练过程中降低对全局显著特征的关注，参考batch feature erasing[10]思路，随机遮挡批量特征图中相同区域，让网络在图像其余范围中提取细粒度特征.利用SeResNeXt50网络作为骨干网络，其提取到的2 048×12×12特征图并联输入到1个全局特征提取分支和1个局部特征随机擦出分支.再利用1×1自适应最大池化层的下采样操作降低特征图维度，融合特征图各通道特征2 048×1，通过量纲一化批操作让神经网络分类层输入满足相同分布，从而加速网络训练速度.最终，细粒度特征提取模块将输入图像样本映射并输出为2个512维度的特征向量.计算公式如下：
(4)
(5)
(6)
1.3 标签平滑的交叉熵损失函数
神经网络利用交叉熵函数计算损失值时，若结果分类错误，则对模型惩罚最大；
若结果分类正确，则对模型惩罚最小.在网络训练时，为了不断减小损失函数的大小，神经网络会朝着正确标签和错误标签差值最大的方向学习.但是训练样本无法包含所有情况，标注数据也不一定准确时，交叉熵损失函数会降低网络模型的泛化能力，即造成过拟合.
针对上述问题，HU J.等[9]利用标签平滑正则化(label smoothing regularization)提高识别准确率.通过在输出标签y中添加噪声，软化原本的绝对化标签，有效抑制网络训练过程中的过拟合现象.标签平滑的交叉熵损失函数计算公式如下：
(7)
(8)
式中：Lsoftmax为原有交叉熵损失函数；
LLSR为标签平滑的交叉熵损失函数；
N为训练样本图像总数；
yq为>训练样本图像q的标签；
q为第q个训练样本图像；
pq为训练样本图像q的预测分类；
β为所设的超参数.
损失函数仍然对神经网络错误分类做出惩罚，但通过平滑标签后可以软化0和1的2个极值，当原样本标签为1时，经平滑后略微减小；
当原样本标签为0时，经平滑后略微增大，这样避免模型训练时过于绝对，使网络的泛化能力更强.
针对蚁群算法迭代收敛速度慢，无法求取全局最优解等局限问题[11]，汪贵庆等[12]利用精英策略改进蚁群算法信息素更新规则.在此基础上，笔者采用一种精英蚁群路径规划优化算法，增强算法从开始搜索到当前为止搜索到最优路径上的信息来加速算法的收敛，通过下一节点到目标节点的距离构造出计算状态转移概率的启发函数，搜索高适应值子区域.
2.1 局部信息素更新规则优化
蚁群算法迭代搜索收敛过早，蚁群之间缺乏信息交流，因此在蚂蚁k完成对下一个节点搜索后，局部更新路径ij上存在的信息素，计算公式为
τij(k+1)=(1-ε)τij(k)+εΔτij(k)，
(9)
(10)
式中：τij为路径ij上的信息素；
k为第k只蚂蚁；
ε为局部信息素挥发系数，0<ε<1，表示蚁群某次迭代搜索中路径上信息素更新程度，数值越小，可以减小算法结果是局部最优的可能性；
Q为所设的信息素总量；
Fij为节点i、j之间的路径距离.
2.2 全局信息素更新规则优化
为了缩小蚁群搜索范围，向之前搜索的最优路径不断靠拢，增强蚁群个体间的信息交流能力，在路径规划中引入精英蚁群策略.在迭代后更新全局最优路径上的信息素，计算公式为
τTij(t+1)=(1-ρ)τTij(t)+ΔτTij(t)+ΔμTij，
(11)
(12)
(13)
(14)
式中：τTij为路径Tij上的信息素；
ΔτTij为蚁群搜索后在路径Tij释放的信息素；
ρ为地图中信息素消散系数，0<ρ<1，表示算法全局搜索能力，ρ越大，算法收敛速度越快；
ΔμTij为点i、j之间路径信息素额外增加量；
m为蚂蚁总数；
Fk为全局最优路径的长度；
σ为所设精英蚁群的数量；
FTbs为当前蚁群寻得最优路径的长度；
Tbs为当前蚁群寻得最优路径.
2.3 启发函数优化
常规蚁群算法中，一般通过计算某节点的信息素和局部启发函数来求解状态转移概率.算法前期，由于初始信息素相同，整个蚁群的转移方向随机性较大，路径搜索缺乏目的性和倾向性，需要改进启发函数提高搜索能力.通过路径长短来评价规划路径的优劣，所以利用下一节点与目标节点之间的距离来构造启发函数η(t)，若距离越短则转移概率就越大.在地图上相邻点到目标节点距离分布不同，往往无法体现出相邻节点到目标节点距离的差异性，需要建立距离修正函数，将距离进行量纲一处理增大差异，计算公式为
(15)
式中：ζ1、ζ2、ζ3为修正参数，可以对启发函数的大小进行调节；
dmax、dmin分别为下一节点与目标节点距离d(j,q)的最大值和最小值.
3.1 实际道路视觉位置识别算法仿真
仿真试验使用的CPU处理器为Intel(R) Xeon(R) CPU E5-2618L v3 2.30 GHz，GPU为双卡GeForce RTX 2080 Ti，内存为11 GB.Ubuntu版本为16.04，Opencv版本为3.4.0，采用PyTorch编写网络框架，实现具体卷积深度学习训练和试验.
选用University-1 652数据集，对视觉位置识别的深度学习网络进行试验验证.数据集University-1 652示例图像如图3所示，University-1 652数据集是通过航拍图像、谷歌卫星地图和街景地图建立的图像对，这些图像是在72个大学的1 652个不同位置拍摄的环境图像，每张图像带有表示位置的经纬度信息.该数据集训练部分包含50 218张图像.训练的航拍图像和卫星图像对大小为256×256.定义其中一部分图像作为训练集，其余图像作为测试数据集.为了避免网络过拟合，运用随机遮挡、裁剪和旋转对训练数据进行数据扩充.训练时采用学习率唤醒策略，最后分类层的学习率为0.01，其余层的学习率为0.001.训练时一次迭代批次大小为8 张图像，共训练120 次.
图3 数据集University-1 652示例图像
为验证改进的视觉位置识别算法有效性，选用准确率和召回率2个主要指标进行衡量.其中：准确率是准确识别结果数与识别结果个数的比值，衡量算法查准率；
召回率是前K个识别结果中准确个数和数据库中相关结果个数的比值，衡量算法查全率.在数据集上分别训练本研究和文献[13-15]中的不同网络模型，试验结果如表1所示，其中：Recall@1、Recall@5、Recall@10分别为前1个召回率、前5个召回率和前10个召回率；
mAP为识别结果的准确率.
表1 文献[13-15]算法和本研究算法的试验结果 %
从表1可以看出：本研究算法相比文献[13]中算法，Recall@1提升8.65%，mAP提升7.68%，结果表明，本研究采用的主干网络和损失函数可以更有效提取图像特征.
不同损失函数训练对应的topN召回率如图4所示.其中：topN为前N个搜索结果；
LSR loss表示对数据集University-1 652采用标签平滑的交叉熵损失函数训练的试验结果；
Instance loss表示对数据集University-1 652采用实例损失函数训练的试验结果.topN采用标签平滑的交叉熵损失函数召回率曲线显示，神经网络在验证集上top25的召回率大于95%，更加靠近坐标轴左上方.可以看出，采用标签平滑的交叉熵损失函数后，有效提升对视觉位置识别的航拍图像数据拟合和泛化能力.
图4 不同损失函数训练对应的topN召回率
不同随机批次擦除大小训练对应的topN召回率如图5所示，不同颜色的召回率曲线表示对数据集University-1 652擦除不同大小特征图区域的试验结果.采用随机擦除20%、30%特征图大小的神经网络模型在验证集上top1的召回率接近72%，更加靠近坐标轴左上方；
随机设置合理大小的擦除区域，能够同时提取图像全局和局部特征，从而提高位置识别的准确率.
图5 不同随机批次擦除大小训练对应的topN召回率
结果表明：本研究所用细粒度特征提取模块提取更具判别力特征，利用标签平滑的交叉熵损失函数训练，可以实现有效识别车辆位置.
试验场地所拍摄的5 000张图像作为实际环境算法测试的数据集.试验数据来源于真实环境下无人机采集的航拍图像数据，采集场景随机选取，包括不同天气和不同时间，以保证数据的多样性.从而为无人机辅助视觉位置识别算法提供与卫星图相同地点的航拍图像数据集.
对某大学不同地点的视觉进行定位，视觉位置识别结果如图6所示.其中：绿色序号表示正确检索，红色序号表示错误检索.第1张为查询图像，其余为返回图像.对于不同地点，返回检索结果的前5张图像中存在与查询图像相同位置的卫星图像，且与查询图像相同位置的卫星图像排序位置更加靠前，即返回的卫星图像结果同时具有较高的准确率和召回率.
图6 视觉位置识别结果
3.2 实际路网路径规划算法仿真
对某大学实际地图采用rgb2gray进行灰度处理，实际环境道路路径信息如图7所示，利用im2bw将图像转化为二值图像，通过imclose对图像进行闭运算，最终识别道路路网信息，并做栅格化处理得到栅格地图，较好地实现了与实际道路往地图映射的关系.分别从路口节点、路段和网络关系3个方面来表示道路路网信息.定义路口为节点，将节点序号、到达其余各节点距离以及联通道路序号组成一维数组结构；
定义节点之间的联通道路为路段，路段数据与节点存储相似，同样采用一维数组分别储存路段序号、相邻路段序号以及路段起点终点序号；
道路路网拓扑关系可以利用有向图表示，本研究采用邻接矩阵定义路网数据.
图7 实际环境道路路径信息
仿真条件以图7的实际环境道路路网作为地图模型进行全局路径规划.路网中有47个节点、61个路段.仿真环境为MATLAB 2019b，分别采用常规蚁群算法和精英蚁群优化算法进行路径规划.以图7中节点1到节点31为例，路径规划算法仿真结果如表2所示，精英蚁群算法规划出的最优路径为1—4—9—19—10—13—6—12—21—11—20—14—22—24—25—26—31，该最短路径长度为1 830 m，平均迭代次数为14.4 次；
精英蚁群优化算法规划的最优路径为1—2—5—11—20—23—27—28—29—31，该最短路径长度为1 410 m，平均迭代次数为12.0次.精英蚁群算法和精英蚁群优化算法2种方法均能寻找到最优路径，经过优化的精英蚁群算法在平均路径长度、平均迭代次数和最大迭代次数均小于精英蚁群算法，收敛速度明显提高.
表2 路径规划算法仿真结果
1) 所提视觉位置识别算法在孪生网络结构基础上引入注意力机制和细粒度特征提取模块，并利用平滑标签的交叉熵损失函数训练网络模型，实现弱GPS环境下的位置识别.
2) 采用优化后的精英蚁群算法进行弱GPS环境下车辆行驶全局路径规划，将下一节点与目标节点距离作为启发函数，改进信息素更新策略，提高蚁群对最优路径搜索的倾向性，并通过仿真验证了算法的有效性.
猜你喜欢全局标签节点Cahn-Hilliard-Brinkman系统的全局吸引子数学物理学报(2022年4期)2022-08-22CM节点控制在船舶上的应用机械工业标准化与质量(2022年6期)2022-08-12量子Navier-Stokes方程弱解的全局存在性数学物理学报(2022年2期)2022-04-26基于AutoCAD的门窗节点图快速构建装备制造技术(2020年2期)2020-12-14概念格的一种并行构造算法河南科技学院学报(自然科学版)(2020年2期)2020-05-22落子山东，意在全局金桥(2018年4期)2018-09-26无惧标签 Alfa Romeo Giulia 200HP车迷(2018年11期)2018-08-30不害怕撕掉标签的人，都活出了真正的漂亮海峡姐妹(2018年3期)2018-05-09标签化伤害了谁公民与法治(2016年10期)2016-05-17抓住人才培养的关键节点中国卫生(2015年12期)2015-11-10本文来源：http://www.triumph-cn.com/fanwendaquan/gongwenfanwen/2023/0729/92647.html