能力风暴机器人AS-UⅡ目标搜索研究

能力风暴机器人AS-UⅡ一般是通过一种或者两种自身携带的传感器实现目标搜索，但目标位置确定比较粗糙。通过综合应用多种传感器，采用粗搜索和精搜索相结合的方法，建立随机漫游轨迹算法实现粗搜索，建立方向和位置误差算法以实现精搜索，最后设计了目标搜索程序进行了模拟仿真和实际应用试验。结果表明：搜索目标可行，目标位置确定准确，其误差与一般搜索方法相比，大大降低，达到满意效果。     

一种时空域联合的机动视频目标精确跟踪方法

提出一种采用Bhattacharyya系数最大化并联合时空域信息的视频目标跟踪方法。时域通过卡尔曼滤波预测目标的运动信息,空域用Camshift算法精确匹配视频目标。由于运动目标机动性比较强,卡尔曼滤波预测的位置和真实位置存在较大的误差,容易导致下一步跟踪失败。采用基于Bhattacharyya系数的由粗到精的核匹配搜索方法,在卡尔曼滤波预测的位置基础上适当扩大搜索范围,通过Bhattacharyya系数最大化确定初始匹配窗口,再用Camshift算法精确匹配视频目标。实验证明该方法对机动快速运动目标具有很高的跟踪精度。     

基于改进萤火虫算法的覆盖优化方法

针对无线传感器网络中目标区域仅部署静态节点和移动节点时,分别存在覆盖率低和成本高的问题,提出一种基于改进萤火虫算法的覆盖优化方法。首先,将静态和移动传感器节点随机部署在目标区域内,改进位置公式和步长因子,提高全局搜索能力,加快搜索速度;其次,利用改进萤火虫算法初步确定移动传感器节点的候选目标位置;最后,通过目标位置优化方法得到节点的最佳目标位置,从而完成覆盖优化。仿真结果表明,与基于PSO算法和CS算法等启发式算法的覆盖优化相比,该优化方法能够缩短平均移动距离,提高网络覆盖率,节省节点能量,延长网络生命周期。     

一种磁性目标定位跟踪系统的标定方法

文章磁目标跟踪系统选用霍尼韦尔HMC1043磁传感器阵列来采集永磁体的磁场信息,并实现定位。由于磁场传感器阵列的各传感器位置、方向和灵敏度直接影响系统定位的精确度,所以要求对这些磁传感器参数进行准确的标定。文章针对磁传感器阵列的标定问题提出了目标误差函数和优化计算方法。通过对所有参数的迭代计算和优化更新使目标误差函数达到最小,完成对磁传感器的位置、方向和灵敏度等参数的标定。文章方法已对实际传感器系统实施应用。在MATLAB环境下,PC机采集目标磁体的磁场信号,通过算法计算确定所有磁传感器的位置、方向和灵敏度,完成标定。通过文章方法的标定,系统定位精度有明显的提高,本方法的可行性和合理性也因此得到验证。     

未知环境下移动机器人自主搜索技术研究

将全区域搜索技术与基于动态模板匹配的目标识别方法相结合，提出了一种适用于未知环境的目标物体自主搜索方法，实现了移动机器人在陌生环境下的目标搜索任务．具体而言，移动机器人利用声纳和全景摄像头作为传感器来感知周围环境，并利用模糊逻辑方法来进行局部路径规划，在此基础上通过全区域搜索技术实现对空间的遍历，并采用动态模板匹配方法来实现目标物体的识别及其方位的确定．本文所提出的目标物体自主搜索方法可以从任意位置开始进行，算法对于陌生环境具有良好的适应性．论文最后通过实验结果证实了算法的良好性能．     

用于捣固车道钉定位的磁力信号峰值检测算法

捣固车在对有砟铁轨进行捣固时,需要提前确定下镐位置,提出了一种通过磁力传感信号来定位道钉的峰值检测算法,以准确确定下镐位置,该算法分别采用了下采样、滑动窗口、阈值分类和二次搜索等方法来实现峰值检测,并重点讨论了滑动窗口长度、下采样频率和二次搜索窗口长度等参数对算法性能的影响。实验中,采用了一组实测的磁力传感器信号来评测该算法,通过对传统方法的对比。本文算法可以将峰值检测的假阳和漏检数降为0,而最大的道钉定位误差却不会超过1cm。     

基于粗精立体匹配的双目视觉目标定位方法

针对双目视觉系统定位精度较低的问题,提出一种基于粗-精立体匹配的双目视觉目标定位方法。该方法采用粗-精匹配策略：在粗匹配阶段使用基于Canny-Harris特征点的随机蕨算法对左右图中的目标进行识别,提取目标矩形区域的中心点,实现中心匹配;在精匹配阶段建立一种基于图像梯度信息的二值特征描述子,将中心匹配得到的右中心点作为估计值,设定像素搜索范围,于该区域中找出左中心点的最佳匹配点。最后,将得到的中心点匹配对代入平行双目视觉的数学模型中,实现目标定位。实验结果表明,在500 mm距离范围内,所提出定位方法的定位误差控制在7 mm内,平均相对定位误差为2.53%,相比其他方法具有定位精度高、运行时间短的优点。     

基于RSSI的WSN二维对数搜索定位算法

定位技术是无线传感器网络(WSN)应用的关键技术之一。针对WSN中的定位问题,提出一种基于接收信号强度指示(RSSI)测距的二维对数分布式搜索定位算法。采用改进的RSSI测距模型测量节点之间的距离,利用质心定位算法结果作为搜索起点,设计一种基于最小加权距离误差和的目标函数,对于每个节点通过二维对数搜索的方法,搜索具有最小加权距离误差和的点作为定位位置。仿真实验比较了质心定位算法、不带权值的二维对数搜索定位算法、基于RSSI的二维对数搜索定位算法在不同条件下的定位性能,结果表明基于RSSI的二维对数搜索定位算法的定位精度远优于质心定位算法,相比不带权值的二维对数搜索定位算法约提高了0.02R。     

一种非线性动态的传感器建模算法

针对传感器动态的非线性、动态特性,精确建模比较难.为此,提出一种非线性的传感器动态建模方法.首先将LSS-VM参数作为蚂蚁的位置向量,传感器动态建模精度作为目标函数,然后采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,并在最优蚂蚁邻域内进行小步长局部搜索,找到算法的最优参数,最后建立传感器动态模型.结果表明,ACO-LSSVM所建模型具有较强的实用性和可靠性,为改善传感器动态性能及在线补偿提供了参考依据.     

分布式多传感器融合数据关联算法

对于分布式多传感器融合多目标跟踪系统,提出一种序贯处理的航迹关联融合算法.为实现杂波干扰环境中对密集多目标的精确跟踪,航迹关联采用了粗、精关联相结合的方法,最小均方误差法用于实现航迹融合.序贯处理的航迹关联融合算法在保证航迹关联正确的同时,大大降低了计算量.仿真实验结果说明了本文方法的有效性.     

紧耦合多传感器混合跟踪算法

在增强现实应用中实现对运动目标的准确跟踪是一个具有挑战性的任务。基于混合跟踪通过对多传感器信息的融合通常比单一传感器跟踪算法更为优越的特性,提出了一种新的紧耦合混合跟踪算法实现视觉与惯性传感器信息的实时融合。该算法基于多频率的测量数据同步,通过强跟踪滤波器引入时变衰减因子自适应调整滤波预测误差协方差,实现对运动目标位置数据的准确估计。通过标示物被遮挡状态下的跟踪实验结果表明,该方法能有效改善基于扩展卡尔曼滤波器的混合跟踪算法对运动目标位置信息预测估计的准确性,提高跟踪快速移动目标的稳定性,适用于大范围移动条件下的增强现实系统。     

改进QGA在WSNs节点部署中的应用

对含有障碍区域的无线传感器网络（WSNs）节点部署问题进行研究。建立节点探测模型和网络覆盖率评价方法,基于概率传感器模型提出一种部署方式,即对障碍区域进行随机布撒节点,确定区域采用量子遗传算法（QGA）寻找最优节点部署位置,实现对同构WSNs节点构成的目标区域的高效覆盖。仿真结果与GA,QGA相比：改进QGA有效提高了算法整体的搜索能力和收敛速度。     

基于布谷鸟搜索的混合传感器网络覆盖优化策略

静态传感器网络与移动传感器网络分别存在网络覆盖率较低和部署成本高的问题。为此,在混合传感器网络基础上,提出一种基于布谷鸟搜索(CS)的覆盖优化策略。将混合传感器节点随机部署在目标区域,利用CS算法初步确定移动传感器节点的候选目标位置,通过位置优化方案得到移动传感器节点的最佳目标位置以完成覆盖优化。仿真结果表明,与遗传算法和粒子群优化算法相比,该优化策略能够有效缩短平均移动距离,减少移动节点数量,提高目标区域覆盖率。     

基于投影的点云配准算法

点云配准分为粗配准和精配准两个阶段。在精配准阶段,大部分采用迭代最近点(ICP)算法。由于ICP算法的性能很大程度上依赖于点云初始位置,因此点云粗配准是点云配准的关键环节,能为ICP提供良好的初始位置。基于三视图的概念,分析了点云配准的关系,提出了一种新的点云空间位置评价方法,进而利用遗传算法提出了一种降维处理空间点云的点云粗配准新算法。首先,将三维空间点云分别投影到三个坐标平面,利用信息熵概念求解每个投影面的熵值;然后,以三个坐标平面的熵值之和作为目标函数,利用遗传算法搜索出最优空间变换矩阵;最后,将变换矩阵作用于目标点云实现点云的粗配准。试验表明,新算法配准效果好,能为精配准提供优良初始位置,且效率高。该算法能为点云的曲面重构研究提供优良的原始点云数据。     

多静态红外传感器反导预警部署优化研究

红外传感器测量目标位置信息时存在高斯白噪声,在分析多静态红外传感器定位原理的基础上,建立了其定位误差模型;多红外传感器对目标的精确定位,等价于传感器对目标位置的无偏估计.基于Bayesian Cramer-Rao下界定理,为保证传感器对目标的定位误差最小,建立了多静态红外传感器反导预警部署优化模型.依据局部增强原理改进微分进化算法,并得到了基于MPDE的求解模型.通过仿真实例分析,验证了模型和算法的有效性.     

纯方位目标定位观测器轨迹的 快速优化算法

在移动传感器网络中,观测器与目标的相对位置对目标的定位性能有重要的影响.为了提高目标的定位精度,提出了一种观测器运动轨迹的优化算法.算法把目标均方位置误差作为优化对象,使用扩展卡尔曼滤波器估计目标的位置.算法以目标和观测器的方位分布关系为基础,减小了观测器最优位置的搜索范围.仿真结果表明,使用多个观测器进行目标定位,滤波收敛速度快,定位误差小.最后给出了单个和多个观测器的"最优"运动规则.     

基于LMS算法的多传感器数据加权融合方法

针对目前多传感器数据融合过程中,传感器观测噪声不易确定,提出了一种基于LMS算法的多传感器自适应加权数据融合方法。该方法将传感器最优加权系数的求解,转化为估计值的均方误差性能表面的最优解搜索,通过加入自适应阶段,采用自适应最小均方误差（LMS）算法调整传感器加权系数。仿真结果表明该方法的有效性。     

基于量测误差估计的水下目标散布区域实时计算方法

针对水下目标量测误差引起目标散布的情况,分析了影响目标散布的因素,应用传感器量测数据实时估计量测误差,并基于此提出一种远程水下目标散布区域实时计算方法。仿真结果表明该算法能够准确地估计目标散布区域,可为水下目标搜索和定位提供依据。     

基于Bhattacharyya系数的由粗到精的核匹配搜索方法

均值漂移算法是一种高效的模式匹配算法.在传统的均值漂移方法基础上,本文针对运动范围较大的目标跟踪问题进行研究,提出一种基于Bhattacharyya系数的由粗到精的核匹配搜索方法.该算法能够有效利用相似性度量函数Bhattacharyya系数在实现对运动目标初始的粗定位情况下,利用均值漂移方法进行迭代求解局部最优值,从而实现目标的精定位,成功实现大范围运动目标的跟踪.实验结果验证该算法在跟踪精度和速度上均优于传统方法.     

基于深度学习算法的图像传感器误差自动校正研究

图像传感器受到环境、镜头畸变等因素影响，采集数据存在一定误差，为了改善图像传感器采集效果，提出了基于深度学习算法的图像传感器误差自动校正方法。首先分析图像传感器误差校正的研究进展，分析图像传感器误差的影响因素，然后利用支持向量机对图像传感器偏移角度进行补偿，并采用深度学习算法根据影响因素建立误差自动校正模型，最后通过粗标定机制对传感器的响应参数进行拟合，实现图像传感器误差自动校正。实验结果表明深度学习算法可以提高图像传感器数据精度，校正后误差较小，校正速度较快，具有一定的实际应用价值。