基于不确定性知识的实时道路场景理解

由于室外机器人的工作环境非常复杂，因此机器人的视觉导航必须具有足够的智能和鲁棒性，为此，提出了一种基于不确定性知识的实时道路理解算法，该算法通过不确定性知识推理来融合多种信息和知识，以满足在复杂道路环境下的鲁棒性要求，它即使在有强烈阴影、水迹等干扰下也能给出比较好的结果；通过图象边缘信息的提取可以得到精确的道路边界，以满足视觉导航的精确性要求；同时在算法设计时，兼顾了实时性要求；使得算法得以实时实现，该算法已在实际的机器人上进行了测试，并得到了很好的结果。     

基于融合信息的道路分割方法

基于融合信息的道路分割方法邬永革，杨静宇（南京理工大学计算机系南京２１００１４）关键词：证据理论；信息融合；属性金字塔；道路分割ｌ引言道路分割技术是室外机器人视觉系统实现道路跟踪的基础．本文提出的基于融合信息的道路分割技术利用ＤｅｍＰｓｔｅｒ．Ｓｈａ...     

道路环境下动态特征视觉里程计研究

针对道路环境下移动车辆导航和定位的问题,提出了一种基于道路环境动态语义特征的单目视觉里程计。设计了一个自监督的卷积神经网络,对单目连续图像建模,直接预测深度图和位姿向量,不再依赖人工设计的特征点。针对道路环境下动态物体破坏光度一致性的问题,提出利用语义先验信息提高视觉里程计精度。设计两个全连接层分别估计旋转和平移向量。实验结果表明,该方法得到了与传统视觉里程计比肩的精度,并且在道路环境下具有优越的性能。     

基于Android手机的智能轮椅室外导航方法

将Android手机与Google卫星地图结合,可作为便携易用的室外导航控制器.利用Google卫星地图提供的环境数据,提出一种基于Android手机进行智能轮椅室外导航的方法.该方法采用扩展卡尔曼滤波进行信息融合,以提高轮椅位姿估算精度,建立基于行为的动态路径规划算法,实现局部未知环境下的路径规划.通过室外导航实验验证了该方法的有效性.     

基于遗传算法和数学形态学的道路识别方法

随着将智能车辆适用环境拓展到乡村道路、荒漠、越野环境等非结构道路,机器视觉导航的难度进一步加大,成为当今人们研究的重点。文章针对智能车辆行驶的复杂道路环境提出一种新的道路检测与识别的算法。该算法采用了遗传算法对道路图像进行分割,并在此基础上对已分割图像进行数学形态学处理,然后利用canny算子进行道路边缘检测,最终得到准确清晰的道路边界信息。实验结果表明,该方法可以有效地分割出道路区域,对多种复杂路况具有良好的适应性。     

基于场景理解与改进型BUG算法的移动机器人避障

针对现有移动机器人在视觉避障上存在的局限,将深度学习算法和路径规划技术相结合,提出了一种基于深层卷积神经网络和改进Bug算法的机器人避障方法;该方法采用多任务深度卷积神经网络提取道路图像特征,实现图像分类和语义分割任务;其次,基于语义分割结果构建栅格地图,并将图像分类结果与改进的Bug算法相结合,搜索出最优避障路径;同时,为降低冗余计算,设计了特征对比结构来对避免对重复计算的特征信息,保障机器人在实际应用中实时性;通过实验结果表明,所提方法有效的平衡了多视觉任务的精度与效率,并能准确规划出安全的避障路径,辅助机器人完成导航避障。     

视觉传感系统的自主移动机器人路径规划方法

在未知环境下,机器人很难快速获取周边环境信息并建立实时环境地图,实现自主运行.为此提出基于视觉导航的方法,利用全景摄像机作为机器人的视觉传感器系统采集环境信息,将彩色地图进行HSI空间下模糊聚类图像分割,得到环境二值图像;将图像进行栅格化处理来构建环境地图,运用8方向连接的Dijkstra进行全局路径规划,计算出最优路径,从而实现移动机器人的快速、自主运动.经过仿真实验证明,该方法有效且可行.     

基于近红外视觉的机器人室外定位系统

在光照条件可变且存在电磁干扰的环境下,针对机器人室外导航任务,提出了一种基于全景近红外视 觉和编码路标的自定位系统．通过近红外光源照明,利用全景视觉识别采用条形编码格式的路标,并利用扩展卡尔 曼滤波算法（EKF）融合视觉数据和里程计数据,从而实现机器人自定位．实验证明,该方法消除了室外大范围导航 时光照变化对机器人定位结果的影响．     

一种基于动态规划的道路图像分割算法

非结构化环境的道路分割是移动机器人视觉导航的一个重要研究内容.本文利用图像边缘信息对道路边沿定位的精确性和彩色信息对道路区域分割的适应性,在彩色分割结果和边缘信息之间进行动态规划求解,提出了一种非结构化道路区域检测的新方法.实验结果表明:本文提出的分割方法可以有效地分割出道路区域,对各种环境具有良好的适应性.     

公路视觉导航中道路图像的阈值分割

在公路视觉导航中,分割道路图像的分道线与路面是至关重要。在采用传统最优阈值分割算法时,因道路图像远处与近处的对比度存在差异,易导致不完全分割。为了解决上述问题,针对道路图像的特性提出了逐行最优阈值分割思想。该文通过对大量视频图像的道路与分道线特点进行统计,并结合公路视觉导航中图像的序列性,对逐行最优阈值分割进行了改进以提高实时性,提出了一种新的基于视频流的多阈值分割算法。通过对三种方法对比试验,表明该方法有很好的实时性、有效性和自适应性。     

室外机器人视觉导航的路径结构识别

提出了基于路径结构特征识别的视觉导航算法,以室外环境下导航路径图像为研究背景,根据图像RGB颜色特征,利用颜色聚类算法,将导航路径从复杂背景中提取出来,并检测出导航路径的中心离散点作为导航路径的基准点。当路径具有较明显的曲线特征时,利用最小二乘法曲线拟合检测导航路径,否则利用最小二乘法检测直线作为机器人的导航路径。实验结果表明：该算法在导航路径具有复杂的结构特征等情况下有较好的导航效果。     

Robust and adaptive techniques in self-organizing neural networks

Robust and adaptive training algorithms aiming at enhancing the capabilities of self-organizing and Radial Basis Function (RBF) neural networks are reviewed in this paper. The following robust variants of Learning Vector Quantizer (LVQ) are described: the order statistics LVQ, the L ₂ LVQ and the split-merge LVQ. Successful application of the marginal median LVQ that belongs to the class of order statistics LVQs in the self-organized selection of the centers in RBF neural networks is reported. Moreover, the use of the median absolute deviation in the estimation of the covariance matrix of the observations assigned to each hidden unit in RBF neural networks is proposed. Applications that prove the superiority of the proposed variants of LVQ and RBF neural networks in noisy color image segmentation, color-based image recognition, segmentation of ultrasonic images, motion-field smoothing and moving object segmentation are outlined.     

基于核心区域信息和经验知识的道路理解算法

针对户外移动机器人视觉导航, 提出了一种基于核心区域和经验知识的道路理解算法. 本算法引入核心区域信息融合经验知识加强道路理解的准确性, 引入时间影响因子增强道路理解系统的鲁棒性. 根据模糊原理对于不同的区域赋予相应的道路颜色隶属度, 为安全度要求不同的机器人导航提供更为精确的信息. 算法设计中通过优化算法, 兼顾了导航的实时性要求.     

Side-channel attacks and learning-vector quantization

The security of cryptographic systems is a major concern for cryptosystem designers, even though cryptography algorithms have been improved. Side-channel attacks, by taking advantage of physical vulnerabilities of cryptosystems, aim to gain secret information. Several approaches have been proposed to analyze side-channel information, among which machine learning is known as a promising method. Machine learning in terms of neural networks learns the signature (power consumption and electromagnetic emission) of an instruction, and then recognizes it automatically. In this paper, a novel experimental investigation was conducted on field-programmable gate array (FPGA) implementation of elliptic curve cryptography (ECC), to explore the efficiency of side-channel information characterization based on a learning vector quantization (LVQ) neural network. The main characteristics of LVQ as a multi-class classifier are that it has the ability to learn complex non-linear input-output relationships, use sequential training procedures, and adapt to the data. Experimental results show the performance of multi-class classification based on LVQ as a powerful and promising approach of side-channel data characterization.     

基于长短期记忆神经网络的矢量跟踪通道状态监测算法

卫星导航系统接收机分为标量跟踪架构和矢量跟踪架构。矢量跟踪接收机的特点是采用一种中心导航滤波器实现所有通道信息的集中处理，这样可以充分利用通道之间的共享信息，提升接收机的性能。但由此带来的问题是通道之间的相互影响，当某个通道的信号被遮挡或者信号较弱时，会影响导航滤波器的正常工作，因此需要进行通道运行状态的监测。本文提出一种基于长短期记忆神经网络的通道状态监测方法，将通道的信息序列值作为神经网络的输入向量。仿真结果表明，本文提出的方法能够有效地检测故障，保证矢量跟踪接收机的定位精度。     

Road network extraction: a neural-dynamic framework based on deep learning and a finite state machine

Extracting road networks from very-high-resolution (VHR) aerial and satellite imagery has been a long-standing problem. In this article, a neural-dynamic tracking framework is proposed to extract road networks based on deep convolutional neural networks (DNN) and a finite state machine (FSM). Inspired by autonomous mobile systems, the authors train a DNN to recognize the pattern of input data, which is an image patch extracted in a detection window centred at the current location of the tracker. The pattern is predefined according to the environment and associated with the states in the FSM. A vector-guided sampling method is proposed to generate the training data set for the DNN, which extracts massive image-direction pairs from the imagery and existing vector road maps. In the tracking procedure, the size of the detection window is determined by a fusion strategy and the extracted image patches represent the orientation features of the road (local environment) that can be recognized by the trained DNN. The reactive unit in FSM associates states with behaviours of the tracker while continually modifying the orientation to follow the road and generating a sequence of states and locations. In this way, our framework combines the DNN and FSM. DNN acts as a key component to recognize patterns from a complex and changing environment; FSM translates the recognized patterns to states and controls the behaviour of the tracker. The results illustrate that our approach is more accurate and efficient than the traditional ones.     

Drill flank wear estimation using supervised vector quantization neural networks

Drill wear detection and prognosis is one of the most important considerations in reducing the cost of rework and scrap and to optimize tool utilization in hole making industry. This study presents the development and implementation of two supervised vector quantization neural networks for estimating the flank-land wear size of a twist drill. The two algorithms are; the learning vector quantization (LVQ) and the fuzzy learning vector quantization (FLVQ). The input features to the neural networks were extracted from the vibration signals using power spectral analysis and continuous wavelet transform techniques. Training and testing were performed under a variety of speeds and feeds in the dry drilling of steel plates. It was found that the FLVQ is more efficient in assessing the flank wear size than the LVQ. The experimental procedure for acquiring vibration data and extracting features in the time-frequency domain using the wavelet transform is detailed. Experimental results demonstrated that the proposed neural network algorithms were effective in estimating the size of the drill flank wear.     

基于增强转移网络（ATN）的室外移动机器人道路图像理解

道路图像理解是室外移动机器人视觉导航自主驾驶研究中的一个关键技术 ,由于基于视觉导航的室外移动机器人自主驾驶时 ,对实时性和鲁棒性要求很高 ,因此 ,为了满足室外移动机器人自主驾驶的实时性和鲁棒性要求 ,将人工智能研究句法分析中的一个形式体系——增强转移网络 (ATN )成功地应用于室外移动机器人的道路理解中 ,进而提出了基于 ATN的室外移动机器人道路图像理解算法 ,该算法在统一的 ATN构建思想指导下 ,针对不同的道路情况 ,不仅可以灵活地构建出不同的道理理解 ATN网络 ,还可达到本质上的统一及应用上的灵活。经实验检验 ,该算法在满足系统要求的鲁棒性条件下 ,具有非常高的实时性 ,即能充分地满足自主移动机器人高速自主导航的需要