یادگیری عمیق برای ادراک رباتیک مقاوم در محیط های غیرساختارمند

چکیده مقاله

ادراک رباتیک در محیط های غیرساختارمند مانند مناطق حادثه دیده یا فضاهای شهری پویا به دلیل موانع متغیر، تغییرات نوری و پیچیدگی های بصری چالش برانگیز است این پژوهش معماری ترکیبی از شبکه های کانولوشنی و ترنسفورمرهای بینایی پیشنهاد می دهد که ویژگی های محلی و جهانی صحنه را مدل سازی می کند یادگیری خود نظارتی با روش کنتراستیو نیاز به داده های برچسب دار را کاهش داده و تطبیق دامنه با آموزش خصمانه مقاومت مدل را در برابر تغییرات محیطی بهبود می بخشد مدل با کوانتیزاسیون و هرس برای استنتاج بلادرنگ روی سخت افزارهای سبک بهینه شده است آزمایش ها روی مجموعه داده های استاندارد و مجموعه داده سفارشی امداد و نجات بهبود ۸/۱ در دقت تشخیص اشیا، ۵/۸ در تقسیم بندی معنایی و خطای عمق ۰/۴۵ متر را نشان داد این نتایج مقاومت مدل را در شرایط سخت تایید کرده و کاربرد آن را در امداد و نجات، ناوبری خودکار و عملیات صنعتی تقویت می کند

کلیدواژه‌ها

نویسندگان

سجاد یوسفی

گروه مهندسی برق دانشگاه ملی مهارت، تهران، ایران

مریم پورنجف

گروه مهندسی کامپیوتر دانشگاه ملی مهارت، تهران، ایران

سمیرا حسینی

گروه مهندسی برق و کامپیوتر دانشگاه ملی مهارت، تهران، ایران

سوسن نصرتی

گروه مهندسی برق و کامپیوتر دانشگاه ملی مهارت، تهران، ایران

سمیه باقری

گروه مهندسی برق و کامپیوتر دانشگاه ملی مهارت، تهران، ایران

یوسفی، سجاد و پورنجف، مریم و حسینی، سمیرا و نصرتی، سوسن و باقری، سمیه،1404،یادگیری عمیق برای ادراک رباتیک مقاوم در محیط های غیرساختارمند،دومین کنفرانس ملی عصر انفجار تکنولوژی؛ هوش مصنوعی، تحولی در صنعت، تجارت و زنجیره تامین،تبریز

ارائه‌شده در

مجموعه مقالات دومین کنفرانس ملی عصر انفجار تکنولوژی؛ هوش مصنوعی، تحولی در صنعت، تجارت و زنجیره تامین17 مهر 1404 · تبریز