基于深度卷积神经网络的视觉里程计研究

视觉里程计利用视频信息来估计相机运动的位姿参数，实现对智能体的定位。传统视觉里程计方法需要特征提取、特征匹配/跟踪、外点剔除、运动估计、优化等流程，解算非常复杂，因此，提出了基于卷积神经网络的方法来实现端对端的单目视觉里程计。借助卷积神经网络对彩色图片自动学习提取图像帧间变化的全局特征，将用于分类的卷积神经网络转化为帧间时序特征网络，通过三层全连接层输出相机的帧间相对位姿参数。在KITTI数据集上的实验结果表明，提出的Deep-CNN-VO模型可以较准确地估计车辆的运动轨迹，证明了方法的可行性。在简化了复杂模型的基础上，与传统的视觉里程计系统相比，该模型的精度也有所提高。     

管道砂沉积与流体携砂临界速度研究进展及展望

本文系统阐述了国内外管道砂沉积的研究成果,总结了基于管道砂砾运动状态及分布、细颗粒表面物理化学作用及临界速度对颗粒运动状态的转变等的砂沉积机理;介绍了颗粒属性、流体介质及管道结构等因素对单相流体携砂及多相流体携砂的影响,重点分析了颗粒尺寸、液相黏度及多相流流型等因素的影响;介绍了国内外现有的管道流体携砂临界速度建模方法,重点分析了由单相流体携砂临界速度模型扩展至多相流的方法。最后指出未来多相流管道砂沉积问题的研究应从砂沉积机理入手,探索多相流管道砂沉积及运输的影响机制,确定关键影响因素,并结合多相流动机理建立准确性高、适用性强的预测模型。