基于XML的信息物理融合系统组件建模与仿真

信息物理融合系统（CPS）涉及多种计算模型的集成和协同工作，针对CPS设计方法不统一、重塑性差、复杂度高、难以协同建模验证等问题，提出一种结构化、可描述行为的异元组件模型。首先，用统一组件建模方法进行建模，解决模型不开放问题；然后，用可扩展标记语言（XML）规范描述各类组件，解决不同计算模型描述语言不一致和不可扩展问题；最后，用多级开放组件模型的协同仿真验证方式进行仿真验证，解决验证的不可协同问题。通过通用组件建模方法、XML组件规范描述语言以及验证工具平台XModel对医用恒温箱进行了建模、描述和仿真。医用恒温箱的案例表明，这种模型驱动建立可重塑异元组件并确认其设计正确性的过程，支持信息物理协同设计和边构建边纠正，可避免在系统实现过程中发现问题时再进行反复修改。     

基于惯性姿态参量量化融合的机器腿仿生步态控制

为了提高机器腿仿生步态控制的稳定性,提出一种基于惯性姿态参量量化融合的机器腿仿生步态控制方法。构造机器腿仿生步态的运动学模型,进行机器腿仿生步态控制约束参量建模,采用陀螺仪和加速度计等位姿传感器进行姿态参量采集。采用扩展卡尔曼滤波方法进行机器腿的惯性姿态参量融合并输入到时控制执行器中。针对未知扰动对机器腿步态参量控制的误差,采用自回归更新方法进行姿态参量误差反馈修正,实现机器腿仿生步态稳定控制。仿真结果表明:提出的方法对机器腿仿生控制的稳定性较好,姿态参量的定位跟踪能力较强,提高机器腿步行的稳健性。     

结合深度学习与支持向量机的金属零件识别

目的 在视觉引导的工业机器人自动拾取研究中，关键技术难点之一是机器人抓取目标区域的识别问题。特别是金属零件，其表面的反光、随意摆放时相互遮挡等非结构化因素都给抓取区域的识别带来巨大的挑战。因此，本文提出一种结合深度学习和支持向量机的抓取区域识别方法。方法 分别提取抓取区域的方向梯度直方图（HOG）和局部二进制模式（LBP）特征，利用主成分分析法（PCA）对融合后的特征进行降维，以此来训练支持向量机（SVM）分类器。通过训练Mask R-CNN（regions with convolutional neural network）神经网络完成抓取区域的初步分割。然后利用SVM对Mask R-CNN识别的抓取区域进行二次分类，完成对干扰区域的剔除。最后计算掩码完成实例分割，以此达到对抓取区域的精确识别。结果 对于随机摆放的铜质金属零件，本文算法与单一的Mask R-CNN及多特征融合的SVM算法就识别准确率、错检率、漏检率3个指标进行了比较，结果表明本文算法在识别准确率上较Mask R-CNN和SVM算法分别提高了7%和25%，同时有效降低了错检率与漏检率。结论 本文算法结合了Mask R-CNN与SVM两种方法，对于反光和遮挡情况具有一定的鲁棒性，同时有效地提升了目标识别的准确率。     

基于BLMD和NSDFB算法的红外与可见光图像融合方法

针对传统图像融合方法容易导致融合图像出现细节不明显和目标信息不完整的问题,本文提出一种基于二维局部均值分解(Bidimensional Local Mean Decomposition,BLMD)和非下采样方向滤波器组(Nonsubsampled Directional Filter Banks,NSDFB)算法的红外与可见光图像融合方法(基于方向滤波的二维局部均值分解法,BidimensionalLocalMeanDecompositionbasedDirectionalFilteringAnalysis,BLMDDFA)。首先,计算两幅原始图片的熵值,同时提取熵值较大的图片的残余分量,该残余分量与另一张原始图片有着较强的相关性。然后,通过BLMD和NSDFB算法将残余分量和熵值较小的原始图片分解成低频子带和一系列不同尺度的高频方向子带,并使用不同的融合规则分别对低频子带和高频子带进行融合。最后,通过相应的逆变换运算获得融合图像。实验结果表明,本文方法的融合性能在对比度、细节信息展示和目标突出方面均高于经典的融合算法,在信息熵、标准差、空间频率和平均梯度方面较Laplacian方法中各指标分别提高了5.6%、28.9%、37.4%和47.6%,信噪比较Laplacian方法降低了8.5%。