摘要: 视频监控技术具有全天候监控、信息丰富、直观明了的优点，在越来越多的领域得到应用，如智能交通、火灾预警、人数统计等。但是随着基于神经网络的深度学习技术的快速发展，对视频监控提出了更加智能化的要求，例如对目标自动识别和轨迹进行自动化分... 展开 视频监控技术具有全天候监控、信息丰富、直观明了的优点，在越来越多的领域得到应用，如智能交通、火灾预警、人数统计等。但是随着基于神经网络的深度学习技术的快速发展，对视频监控提出了更加智能化的要求，例如对目标自动识别和轨迹进行自动化分析、获取目标深度信息等任务。本文基于多机器人对抗场景下运动目标的单目视觉感知进行研究，主要的研究工作和成果如下： (1)将最新的目标检测技术yolov5算法应用在RMUA人工智能挑战赛的地面机器人目标检测任务上。此外，从多个维度对网络模型进行压缩与加速，其一是设计紧凑的目标检测网络对地面机器人进行识别，基于MobileNetv2、MobileNetv3、GhostNet等轻量化分类网络设计本次轻量化目标检测模型；其二是采用通道剪枝的方法对机器人目标检测模型进行通道剪枝。其三是通过TensorRT对算法模型进行半精度加速。最终选择结合通道剪枝和半精度加速的方式，在GPU1660TI设备上，推理速度达到205FPS，在IoU为0.5的情况下mAP为0.832，参数大小为8.6M。 (2)岗哨机器人由场地边缘的监控相机组成，开发通过岗哨机器人对地面机器人空间定位的算法。方法一是利用场地元素求解出相机坐标系与场地坐标系的位姿关系，再根据相机位姿关系求解出地面机器人在比赛场地的二维坐标；方法二是通过神经网络将该问题直接转换成监督学习的回归问题来求解。在4.48×8.08m的比赛场地上，基于神经网络的空间定位精度相比较数学解算的方法可以将误差降低到8.95cm，满足比赛实时对抗的需求。 (3)针对比赛过程中地面机器人运动较快导致空间定位滞后的问题，采用长短期记忆网络对地面机器人的运动轨迹进行预测，在实际比赛中具有良好的表现。最后将轻量化目标检测模型和轨迹预测模型组合成完整的工程系统，整个软件系统包括地面机器人识别、空间定位和轨迹预测、局域网无线通信等功能。 收起