Implementation of AUV local planning in strong sea flow field based on Q-learning

This article investigated the implementation of AUV local planning under the strong sea flow field by integrating Q learning with fuzzy logic method.The dynamics of AUV under the sea flow was analyzed in detail,and thus fuzzy logic behaviors were defined,including a fuzzy behavior which was defined to resist the sea flow by giving an extra angle towards sea flow.This behavior was complemented by two other behaviors,the moving-to-goal behavior and collision avoiding behavior.The recommendations of these three behaviors were integrated through adjustable weighting factors to generate the final motion command for the AUV.And Q-learning was used to adjust the peak point of fuzzy membership function to increase adaptability.Simulation results showed that it improves the adaptability of AUV under different sea flow greatly.     

智能水下机器人的路径规划方法

阐述了智能水下机器人的路径规划方法。首先介绍了自行研制的智能水下机器人的系统组成，然后讨论了其规划方法，并着重介绍了体现水下智能机器人自主能力的全局规划器和局部规划器。     

一种分块差分滤波器及其在仅有角度跟踪中的应用

为解决仅有角度跟踪时,目标估计受限于较大的初始估计误差和噪声统计特性未知的问题,提出了一种带有噪声智能统计功能的改进型分块差分滤波器.通过统计线性化方法得到了一种S-H智能噪声统计估值器,并用其优化传统分块噪声滤波器的测量更新步骤,实现了对未知过程和测量噪声的智能统计处理,通过迭代更新进一步提高了滤波器对于复杂非线性函数的适应能力.与目前几类主流的自适应滤波器性能相比,结果表明:对于具有线性系统模型和非线性测量模型的典型被动跟踪估计问题,针对较大的初始状态估计误差,所给出的滤波器能更好地完成系统噪声和测量噪声部分参数统计特性未知情况下的非线性估计任务,在保证计算量适中的同时有效地提高跟踪制导精度.     

短波通信中的数字调制信号识别

针对目前没有有效的方法对短波通信中的调制信号进行识别的问题,提出一种基于小波包变换、高阶累积量和支持向量机的数字调制信号识别新方法.该方法提取信号经小波包变换后各频段的能量值和累积量作为特征向量,利用以支持向量机为基础的多级分类器对其进行调制识别.此分级调制识别方法与其他非分级调制识别方法相比具有较高的识别率.实验表明,针对FSK、PSK等10种调制信号在低信噪比下具有较高的识别能力,该算法在短波通信中的调制信号识别领域有较好的应用.     

自主驾驶的人机交互控制

本研究对自主驾驶的人机交互中机器学习方法进行综述。通过介绍自主驾驶中人机交互研究的价值和意义,明确了人机交互问题定义以及与机器学习之间的关系,构建了自主驾驶中人机交互团队的架构。围绕提出的人机交互的系统架构和研究方法展开讨论,提出了人机交互问题解决的通用架构。并且,重点针对自主系统和驾驶员两部分介绍了相关机器学习算法,对自主驾驶中人机交互控制的未来研究进行展望,并对本研究进行总结。     

分布式强化学习系统的体系结构研究

强化学习是一种重要的机器学习方法,随着计算机网络和分布式处理技术的飞速发展,多智能体系统中的分布式强化学习方法正受到越来越多的关注。论文将目前已有的各种分布式强化学习方法总结为中央强化学习、独立强化学习、群体强化学习、社会强化学习四类,然后探讨了这四类分布式强化学习方法的体系结构框架,并给出了这四类分布式强化学习方法的形式化定义。     

行人轨迹预测条件端点局部目的地池化网络

轨迹预测是自动驾驶系统中的核心任务之一。现阶段基于深度学习的轨迹预测算法,涉及目标的信息表示、环境感知和运动推理。针对现有轨迹预测模型在运动推理过程中对行人社交动机考虑不足,无法有效预知场景中行人在不同社交条件下局部目的地的问题,该文提出一种条件端点局部目的地池化网络(CEPNET)。该网络通过条件变分自编码器推理潜在轨迹分布空间来学习历史观测轨迹在特定场景中的概率分布,构建条件端点局部特征推理算法,将条件端点作为局部目的地特征进行相似性特征编码,利用社交池化网络过滤掉场景中的干扰信号,融入自注意力社交掩码来增强行人的自我注意力。为验证算法各模块的可靠性,使用公开的行人鸟瞰数据集(BIWI)和塞浦路斯大学多人轨迹数据集(UCY)对CEPNET进行消融实验,并与平凡长短时记忆网络(Vanilla)、社交池化生成对抗网络(SGAN)和图注意力生成对抗网络(S-BiGAT)等先进轨迹预测算法进行对比分析。在Trajnet++基准上的实验结果表明,CEPNET算法性能优于现有先进算法,并且与基准算法Vanilla相比,平均位移误差(ADE)降低22.52%,最终位移误差(FDE)降低20%,预测碰撞率Col-I降低9.75%,真值碰撞率Col-II降低9.15%。     

一种核正交局部敏感辨别分析算法

为了发掘嵌入在人脸样本的非线性结构信息,把核方法和基向量正交化思想引入局部敏感分析算法中,提出一种新的人脸识别算法-核正交局部敏感辨别分析(Kernel based Orthogonal Locality Sensitive Discriminant Analysis).并给出了算法的推导过程及计算步骤.首先用核方法提取人脸样本的非线性信息,并将其投影至高维非线性空间,然后采用局部敏感辨别分析做线性映射,最后采用施密特正交化方法得到正交的基向量,从而使算法更好地描述人脸非线性流形结构特征.在ORL和YaleB人脸库的人脸识别实验证明了所提算法的有效性.     

利用高斯域的半监督回归和主动学习

介绍一种定义近邻图上的高斯域（GF）及用于降维和分类的GF的相关知识,提出一种用于半监督回归的高斯域,能自动设置模型参数和近邻数,利用监督和无监督数据进行熵值查询选择从而进行主动学习。实验将其与半监督学习法进行比较并验证了GF的有效性。     

基于强化学习的智能机器人避碰方法研究

本文采用强化学习方法实现了智能机器人的避碰行为学习．文中首先介绍了强化学习 原理,讨论了采用神经网络实现强化学习系统的方法,然后对具有强化学习机制的智能机器 人避碰行为学习系统进行了仿真实验,并对仿真结果进行了分析．