三坐标测量机一般表面上的自适应采样规划

针对CAD模型已知的三坐标测量机一般表面(连续或非连续的基本特征表面)上的常用采样策略中存在的问题,提出一种自适应采样方法,并对测量边和面的情况分别给出了具体的采样算法.通过对选取的表面进行分析,采取步长自适应再分迭代自动规划出相应数目的采样点分布;并使采样点达到均匀分布且避开非连续区域.实验结果表明,该方法对于各种复杂情况的一般表面都有比较好的适应性,弥补了随机采样难以均匀化和基于数字序列采样对表面要求完整连续的不足.     

点和平面的齐次坐标关系

点和平面的齐次坐标关系在有关机器人运动学，动力学以及控制的论著中一直没有给出的分析，本文提出，由于齐次坐标的多值性，只有将点和平面的齐次坐标化为标准形式才能得到点和平面的统一的齐次坐标关系。     

平面简单闭合曲线离散采样与重建算法

提出一种鲁棒的平面简单闭合曲线离散采样与重建算法。算法分为采样过程和重 建过程两部分。采样部分首先对平面闭合曲线均匀取点,然后计算各点到曲线所围平面区域中 轴的最近距离,最后根据所求距离确定采样间隔,获取采样点集;重建部分首先构建采样点集 的Delaunay 三角剖分,然后从得到的三角形中选择边构建初始化图形,最后通过修改该图形获 得重建图形。实验表明算法得到的采样点较少且能反映曲线的局部几何特性,重建图形能够较 好地表示原闭合曲线的形状及走向。     

基于圆形参数域和重要性采样的三维模型网格重建

给出了一个基于参数化和重要性采样的网格重建算法.算法搜索一条切线将三维模型表面切分成一片碟形表面,并将其参数化到二维单位圆中.根据模型的曲率信息和参数化的扭曲度生成一张控制图.利用蓝噪声采样算法对用控制图调制后的采样密度采样得到离散采样点.通过对采样点进行平面三角化并将其映射回三维空间实现了三维网格重建.实验证明,该方法有效地改善了参数化的扭曲度,并能得到具有自适应性的高度规则网格.     

一种基于整数坐标的亚像素精度区域采样反走样算法

为了快速有效地消除图形显示中的边界锯齿,提出了一种基于整数坐标的亚像素精度区域采样反走样算法.该算法将坐标点的亚像素部分保存于整数的低位,整数部分存于高位,根据亚像素部分与整数部分的差值,利用位运算快速计算像素的覆盖面积,像素亮度等级可达到2~n(n为亚像素位数,通常情况n取8).与基于中点算法的区域采样算法相比,图像精度高,计算速度快;与过采样算法(采用3×3或4×4的过采样网格)相比,采样精度高,计算量不会随着采样精度的提高而变大,也不存在图像重建过程中由高分辨率数据向低分辨率转变时的信息丢失问题.实验结果表明,新算法生成的图像比较细腻,实时性比较高,优于一般的反走样算法.     

聚类算法分析及在GIS中心选址中的仿真研究

通过对聚类算法初始点选择策略的分析和比较,经典k-means算法在GIS海量数据处理上的效率问题,提出了随机采样的k-means算法来进行坐标聚类;并将随机采样k-means算法应用于GIS中心选址,充分利用GIS数据分析和处理能力,以城市间的欧几里得距离为相似条件,采用最大最小原则选取初始点进行聚类,从而缓解局部最优解产生的概率;选取中心城市作为目标对象,从而提高商业决策的充分性和可靠性;经仿真结果验证了所提出的随机取样k-means算法的有效性和正确率。     

基于80C196KC单片机的智能烟尘测试仪

皮托管平行采样法是烟尘采样中采样精度最高的一种方法。介绍一种以80C196KC单片机为核心、用皮托管平行采样法的智能烟尘测试仪,阐述了其工作原理、硬件电路设计和软件框图。     

提高工频信号A／D采样分辨率的方法研究

本文介绍了提高采样分辨率的原理以及提高工频信号A／D采样分辨率的两种方法：均值采样法和峰值采样法（包括直接峰值采样法和间接峰值采样法），并举出了一个应用实例，通过分析得出结论：间接峰值采样法在提高分辨率性能方面是最优的，但其硬件和软件要复杂一些。     

一种Halton序列的HDRRT移动机器人融合规划算法

针对标准快速扩展随机树(RRT)算法采用伪随机序列导致采样点分布不均、不合理,且移动机器人从起始点到目标点路径有冗余路段及冗余节点的问题,提出HDRRT (halton & dijkstra & rapidly exploring random tree)算法,该算法采用采样点分布均匀性好的Halton序列进行采样,并利用候选点集策略对节点进行筛选,以剔除冗余节点;同时该算法采用改进的Dijkstra算法提取原始路径关键节点,以减少路径冗余路段;在此基础上采用3次B样条曲线对路径作平滑处理.经Matlab联合ROS系统仿真结果表明, HDRRT算法相对于Bias-RRT和标准RRT算法具有快速性,稳定规划出最短以及平滑路径等优点.     

面向非均匀采样点集的3维表面重建算法

针对非均匀采样点集,提出一种改进的3维表面重建方法。该方法将整个点集进行空间划分,缩小近邻点的搜索范围,减少搜索时间;在确定近邻点时,先计算几何近邻点,然后通过求方向性点并构造最小生成树的方法,确定拓扑近邻点;最后通过将拓扑近邻点投影到局部切平面上,利用约束条件对投影点进行三角剖分,并将剖分得到的顶点连接关系映射到3维空间中,实现3维表面重建。实验结果表明,改进后的算法运行效率高、重建效果好、广泛适用于非均匀采样点集的表面重建。     

基于随机化Halton序列的粒子滤波算法研究*

为了克服传统粒子滤波蒙特卡洛（MC）随机采样粒子之间的间隙过大与层叠,及其产生的采样效率和滤波精度较低的问题,提出一种基于Halton序列的拟蒙特卡洛（QMC）采样粒子滤波算法。该算法在对Halton序列进行随机化、较好地消除其各维之间相关性的基础上,将之应用于粒子采样过程,以代替蒙特卡洛随机采样,得到用均匀分布粒子近似的后验状态概率密度。仿真证实,算法性能要优于传统粒子滤波算法,改善了采样效率与计算精度,且能克服粒子的退化现象。     

基于拟随机序列的三维模型表面采样方法

三维模型检索中的形状分布算法使用伪随机序列进行采样,导致检索精度较低、检索结果不稳定。该文采用拟随机序列中的Halton序列在[0, 1]区间内产生分布较均匀的随机数,利用数学变换将其转换为采样空间的随机数进行采样。三维模型检索对比实验结果表明,该方法可以提高检索精度,使检索结果更稳定。     

移动机器人实时采样路径重规划

针对传统采样规划算法因随机性强,在动态环境中重规划时路径质量差,抖动严重,实时优化效果不明显等问题,提出了一种利用反向生长最优快速搜索随机树的实时采样重规划算法DRT-RRT*（Dynamic Real-Time RRT*）。引入基于三角不等式的剪枝策略对路径进行平滑处理以减少路径拐点;提出了组合采样策略和局部终点跳动策略,将优化目标由全局路径聚焦于机器人当前位置至最近路径拐点的局部路径段,实时对执行路径段进行修正,进而提高路径质量的稳定性;在路径重规划时仅对受影响的随机树枝进行修剪,并在随机树重新生长时引入了目标偏置采样策略,与组合采样策略共同作用,提高路径搜索速率和稳定程度;将DRT-RRT*与RRT*和增加了三角不等式剪枝策略的RRT*-Pruning进行仿真对比分析,实验结果验证了DRT-RRT*重规划的高效性和稳定性。     

目标偏置双向RRT*算法的机器人路径规划

针对RRT*和B-RRT*算法在较复杂环境下路径规划时,存在搜索时间长、采样效率低和规划路径曲折的问题,提出一种目标偏置双向快速扩展随机树算法——GBB-RRT*（goal biased bidirectional RRT*）。该算法每次迭代中两棵随机树都进行扩展,一次迭代能生成两个新节点,加快扩展速度。然后引入目标偏置策略来优化采样点的选取,使两棵随机树在一定概率下朝各自的目标点方向扩展。针对得到的规划路径,设计一种逆向寻优结合转角约束路径简化方法,结合B样条曲线生成光滑可执行路径。在仿真实验中将提出的算法与B-RRT*进行对比实验,结果表明所提算法搜索时间缩短40%左右、扩展节点减少10%左右,结合路径简化方法后路径长度缩短3%左右。     

室内场景下应用拓扑结构的高效路径规划算法

针对基于随机采样的路径规划算法效率低且采样具有随机性的问题,提出一种应用拓扑结构的高效路径规划算法ATIRRT^*。通过引入拓扑节点代替STIRRT*算法中Harris角点检测算法得到的特征点进行采样,给出基于阈值的自适应选择方法来消除路径骨架上提取的冗余特征点,利用该阈值得到的拓扑节点可以使随机树的扩展更具方向性,从而减少寻找初始路径的时间和代价。根据非单一父节点的连接方式加强交叉支路上的拓扑节点间的联系,通过节点扩充策略增加相邻拓扑节点间的节点数量以加快优化算法的收敛。在此基础上定义相关约束条件将初始路径分段并进行逐段优化,以提高优化算法的效率。在常规环境、狭长空间和仿真的室内环境3种类型地图上的仿真结果表明,相较于STIRRT^*算法,改进算法在规划路径长度上平均减少8%,在规划时间上平均降低10%,可快速地找到更优的初始路径,同时在优化过程中减少了无用的探索空间,提高了搜索效率。     

基于控制点误差控制的网格简化算法

提出了一种基于控制点误差控制的网格简化算法，以初始网格三角形的中心点作为第一类控制点，以特征边的顶点作为第二类控制点，控制点与受控三角形之间的距离作为简化误差。根据设定的三角形权重，按照顺序进行三角形折叠操作，简化操作后必须满足控制点到受控三角形的距离小于阈值。     

3D—GIS中空间三角平面的不确定研究

数据质量直接影响着GIS应用、分析以及决策的正确性和可靠性,而目前对三维空间数据的不确定性研究不多.为此以3D-GIS中空间平行四边形空间点的估计精度为研究对象,研究了空间三角平面内,三角平面的边以及三角平面外一定范围内任意点的精度,同时给出了空间三角平面面积及其法向量的不确定性等计算方法及估计公式.分析表明,由3个不在同一线上的的空间点构成的三角平面内任意点的精度至少要高于3个角点其中一点的精度;落在三角平面的边上点的精度至少要高于确定该直线元的两控制点其中一个点的精度;而落在三角平面外的点的精度则明显降低,而且这种三角平面上任意点的误差椭球三轴半径及其方向既与控制点的方差协方差有关,又与它在平面内的位置有关.     

基于改进Bi-RRT的移动机器人路径规划算法

双向快速扩展随机树(Bi-RRT)算法因采样点的随机性导致在复杂环境中的路径规划存在搜索时间长、采样效率低等问题,为此提出了一种改进Bi-RRT的移动机器人路径规划算法。算法引入启发式搜索策略,分别以机器人的起点和终点为中心,构造了二维高斯分布函数,并用该概率密度函数约束采样点的生成,使得越接近目标点的空间采样点出现概率越大,同时保留部分均匀分布的采样点,这样采样过程既可以利用目标点的位置信息又保证了算法的概率完备性。通过算法设计的启发式采样点的引导,两棵随机树可以快速向着目标区域生长,降低了搜索的盲目性,提高了搜索的效率。仿真结果：相比于基本Bi-RRT算法,改进算法在复杂环境下规划时间缩短了43.9%,扩展节点数目减少了41.4%,路径长度优化了8.1%,并分析了高斯分布采样点占采样点总数的比值对算法性能的影响。     

Progressive Multi‐Jittered Sample Sequences

We introduce three new families of stochastic algorithms to generate progressive 2D sample point sequences. This opens a general framework that researchers and practitioners may find useful when developing future sample sequences. Our best sequences have the same low sampling error as the best known sequence (a particular randomization of the Sobol’ (0,2) sequence). The sample points are generated using a simple, diagonally alternating strategy that progressively fills in holes in increasingly fine stratifications. The sequences are progressive (hierarchical): any prefix is well distributed, making them suitable for incremental rendering and adaptive sampling. The first sample family is only jittered in 2D; we call it progressive jittered. It is nearly identical to existing sample sequences. The second family is multi‐jittered: the samples are stratified in both 1D and 2D; we call it progressive multi‐jittered. The third family is stratified in all elementary intervals in base 2, hence we call it progressive multi‐jittered (0,2). We compare sampling error and convergence of our sequences with uniform random, best candidates, randomized quasi‐random sequences (Halton and Sobol'), Ahmed's ART sequences, and Perrier's LDBN sequences. We test the sequences on function integration and in two settings that are typical for computer graphics: pixel sampling and area light sampling. Within this new framework we present variations that generate visually pleasing samples with blue noise spectra, and well‐stratified interleaved multi‐class samples; we also suggest possible future variations.