基于ML的2D-SLAM物体识别

资源内容介绍

本研究将机器学习算法融入二维同时定位与建图（2D-SLAM）技术，旨在实现对环境中特定物体的识别与标注。传统2D-SLAM仅能构建环境的二值地图，缺乏语义信息，限制了其在智能导航与环境感知中的应用。为此，研究引入点云聚类与图像预处理方法，结合主成分分析（PCA）进行特征提取与降维，并对比多种分类算法，包括k-means、k-NN、深度神经网络（DNN）和卷积神经网络（CNN）。实验结果表明，DNN模型训练准确率达97.17%，验证准确率达97.22%；而CNN在验证集上准确率高达97.96%，接近完美分类。针对实际SLAM地图的预测准确率可达80%，验证了该方法在森林树木计数等场景中的可行性。尽管CNN精度更高，但DNN在计算速度上具备2至3倍优势，更适合资源受限的实时系统。研究成果表明，机器学习可有效增强2D-SLAM的环境理解能力，为智能机器人、无人车等提供更丰富的语义支持。