(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210662326.5 (22)申请日 2022.06.13 (71)申请人 净豹智能机 器人 （南通） 有限公司 地址 226599 江苏省南 通市通州市南 通高 新技术产业开 发区杏园路299号5号楼 四楼 (72)发明人 皮官朋　任越　任玉平　 (74)专利代理 机构 重庆卓茂专利代理事务所 (普通合伙) 50262 专利代理师 杨诚 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) B25J 9/16(2006.01)E01H 1/00(2006.01) (54)发明名称 一种基于GAN对抗网络无人驾驶清洁机器人 垃圾跟随清扫算法 (57)摘要 本发明公开了一种基于GAN对抗网络无人驾 驶清洁机器人垃圾跟随清扫算法， 本发明涉及计 算机图像处理技术领域， 车辆通过GAN对抗网络 的判别模型对图片展开模型训练， 并得到训练后 的图片分类模型， 用于判断真假图片数据， 车辆 通过GAN对抗网络的生成模型对图片展开模型训 练， 并得到训练后的图片生成模型， 用于输出高 质量假图片数据， 车辆通过GAN对抗网络的判别 模型和生成模型的多次交替训练和优化达到最 优值， 得到高质量的判别模型和生成模型。 该基 于GAN对抗网络无人驾驶清洁机器人垃圾跟随清 扫算法， 在采用相同的无人驾驶场景路况图片数 据集的情况下， 不仅可以识别图片中的路况种 类， 还可以实现生成用于指导无人驾驶的决策意 见并返回给无 人驾驶控制系统。 权利要求书1页 说明书4页 附图1页 CN 115082754 A 2022.09.20 CN 115082754 A 1.一种基于GAN对抗网络无人驾驶清洁机器人垃圾跟随清扫算法， 其特征在于， 包括以 下步骤： S1、 车辆通过GAN对抗网络的判别 模型对图片展开模型训练， 并得到训练后的图片 分类 模型， 用于判断真假图片数据； S2、 车辆通过GAN对抗网络的生成模型对图片展开模型训练， 并得到训练后的图片生成 模型， 用于 输出高质量 假图片数据； S3、 车辆通过GAN对抗网络的判别 模型和生成模型的多次交替训练和优化达到最优值， 得到高质量的判别模型和生成模型； S4、 车辆通过训练后的模型对环境进行识别分类， 能够准确识别各类垃圾并进行跟随 清扫。 2.根据权利要求1所述的一种基于GAN对抗网络无人驾驶清洁机器人垃圾跟随清扫算 法， 其特征在于： 所述GAN对抗网络由一个判别模型和一个生成模型组成。 3.根据权利要求1所述的一种基于GAN对抗网络无人驾驶清洁机器人垃圾跟随清扫算 法， 其特征在于： 所述GA N的生成网络捕捉真实数据样 本的潜在分布,并生成新的数据样本； GAN的判别网络是一个二分类 器， 判别输入是真实数据还是生成的样本 。 4.根据权利要求1所述的一种基于GAN对抗网络无人驾驶清洁机器人垃圾跟随清扫算 法， 其特征在于： 所述GA N的优化过程为极小极大博弈的过程,优化目标是达到纳什均衡， 即 直到判别模型 无法识别生成模型生成的假样本是真是假 为止。 5.根据权利要求1所述的一种基于GAN对抗网络无人驾驶清洁机器人垃圾跟随清扫算 法， 其特征在于： 所述步骤S4中， 路况的照片通过车辆传感器所识别得出， 识别后将路况种 类传输给 车辆控制中心并生成决策。 6.根据权利要求5所述的一种基于GAN对抗网络无人驾驶清洁机器人垃圾跟随清扫算 法， 其特征在于： 所述识别路况的照片包括有行 人和围墙以及各类垃圾。 7.根据权利要求1所述的一种基于GAN对抗网络无人驾驶清洁机器人垃圾跟随清扫算 法， 其特征在于： 对于真实数据， 使用lab el＝1计算代价函数来训练判别器， 其代价函数的 计算方法为： loss＝tf.nn.sigmoid_cross_entropy_with_logitsdlossreal＝loss(d_logits_ real,labels＝tf.o nes_like(d_logits_real)*(1 ‑smooth))； 对于生成器， 使用label ＝0计算代价 函数来训练判别器， 其代价 函数的计算方法为： loss＝tf.nn.sigmoid_cross_entropy_with_logitsd_loss_fake＝loss(d_logits_ fake， labels＝tf.zeros_l ike(d_logits_fake) )； 判别器的代价 函数为： d_l oss＝d_loss_real+d_l oss_fake； 生成器尝试做相反的事情， 它经训练 尝试输出能使辨别器分配接 近概率1的样本； 生成器的代价 函数为： loss＝tf.nn.sigmoid_cross_entropy_with_logitsg_loss＝loss(d_logits_fake， labels＝tf.o nes_like(d_logits_fake) )； GANs在训练时需要同时运行两个优化算法， 我们需要为discriminator和generator分 别定义一个优化器， 一个用来来最小化discriminator的损失， 另一个用来最小化 generator的损失， 即l oss＝d_loss+g_loss。权　利　要　求　书 1/1 页 2 CN 115082754 A 2一种基于GAN对抗网 络无人驾驶清洁机 器人垃圾 跟随清扫 算法 技术领域 [0001]本发明涉及计算机图像处理技术领域， 具体为一种基于GAN对抗网络无人驾驶清 洁机器人 垃圾跟随清扫算法。 背景技术 [0002]在计算机图像处理领域中， 基于GAN对抗网络的技术可以进行图片的目标检测， GAN模型通过对抗过程来估计生成模型的新框架， 在GAN模型框架中， 生成模型与判别模型 进行非合作零和博弈， 生成模型将一个噪声包装成一个逼真的样本， 而判别模型则需要判 断送入的样本是真实的还是假的样本， 两个独立学习模型通过博弈能力不断提升， 直到伪 造品与真品无法区分。 [0003]但是目前的清洁机器人垃圾跟随清扫算法应用于无人驾驶场景下的路况识别与 决策时， 具有如下缺点： 该方法只能对路况进行识别， 而不能根据识别的路况信息进 行决策 并提供给无人驾驶控制系统， 因此 无法直接用于无 人驾驶控制系统的开发中。 发明内容 [0004]针对现有技术的不足， 本发明提供了一种基于GAN对抗网络无人驾驶清洁机器人 垃圾跟随清扫算法， 解决了目前方法只能对路况进行识别， 而不能根据识别的路况信息进 行决策并提供给无人驾驶控制系统， 因此无法直接用于无人驾驶控制系统的开发中的问 题。 [0005]为实现以上目的， 本发明通过以下技术方案予以实现： 一种基于GAN对抗网络无人 驾驶清洁机器人 垃圾跟随清扫算法， 包括以下步骤： [0006]S1、 车辆通过GAN对抗网络的判别模型对图片展开模型训练， 并得到训练后的图片 分类模型， 用于判断真假图片数据； [0007]S2、 车辆通过GAN对抗网络的生成模型对图片展开模型训练， 并得到训练后的图片 生成模型， 用于 输出高质量 假图片数据； [0008]S3、 车辆通过GAN对抗网络的判别模型和生成模型的多次交替训练和优化达到最 优值， 得到高质量的判别模型和生成模型； [0009]S4、 车辆通过训练后的模型对环境进行识别分类， 能够准确识别各类垃圾并进行 跟随清扫。 [0010]进一步的， 所述GAN对抗网络由一个判别模型和一个生成模型组成。 [0011]进一步的， 所述GAN的生成网络捕捉真实数据样本的潜在分布,并生成新的数据样 本； GAN的判别网络是一个二分类 器， 判别输入是真实数据还是生成的样本 。 [0012]进一步的， 所述GAN的优化过程为极小极大博弈的过程,优化目标是达到纳什均 衡， 即直到判别模型 无法识别生成模型生成的假样本是真是假 为止。 [0013]进一步的， 所述步骤S 4中， 路况的照片通过车辆传感器所识别得出， 识别后将路况说　明　书 1/4 页 3 CN 115082754 A 3