45、葡萄园自主导航与机器人迭代学习控制技术解析

葡萄园自主导航与机器人迭代学习控制技术解析

1. 葡萄园自主导航系统

在葡萄园自主导航的研究中，数据集的划分对于模型的训练、验证和测试至关重要。数据集根据可用图像数量进行划分，具体比例为训练集 18%、验证集 8%、测试集 74%，如下表所示：
| 子集 | 百分比 | 项目数量 |
| ---- | ---- | ---- |
| 训练集 | 18% | 6068 |
| 验证集 | 8% | 2681 |
| 测试集 | 74% | 24867 |

重新训练的模型在第二次评估中达到了 0.94 的准确率。考虑到网络使用的训练数据集非常小，并且在完全不同的葡萄园场景中进行测试，这是一个理想的结果，充分展示了迁移学习在该特定任务中的有效性，即使使用小训练集也能提供良好的泛化能力。具体的评估结果如下表：
| 类别 | 精度 | 召回率 | F1 分数 |
| ---- | ---- | ---- | ---- |
| 右 | 0.850 | 1.000 | 0.919 |
| 左 | 1.000 | 0.899 | 0.947 |
| 中 | 1.000 | 0.924 | 0.961 |
| 微平均 | 0.941 | 0.941 | 0.941 |
| 宏平均 | 0.950 | 0.941 | 0.942 |
| 加权平均 | 0.950 | 0.941 | 0.942 |

为了优化模型性能，采用了 TensorRT 对网络进行优化。通过调整 per process gpu memory fraction（PPGMF）参数，经过多次尝试后将其设置为