基于Transformer的实时语义分割网络及应用北大核心CSCD

为提升机器人对电缆隧道场景的环境感知能力,提出了一种适用于电缆隧道场景的实时语义分割网络。使用Transformer结构提取图像全局语义信息,同时使用卷积神经网络捕获图像局部细节信息,将二者结合增强图像分割精度。同时,针对机器人以及隧道特点,将语义分割结果转化为机器人前方目标信息以及机器人偏离情况信息,辅助机器人导航避障。实验结果表明,所提出的网络在公共数据集Cityscapes、CamVid上平均交叉联合度量分别为77.2%、76.8%,相比BiSeNet分别提高了8.8%、8.1%,并能较好地适应于实际电缆隧道环境中,提供有效的场景感知信息,实现自主避障。     

基于图谱法的新型运动分岔并联机构型综合

多模式并联机构在航空航天、机械加工、医疗康复等领域均极具应用前景,但目前能够实现多模式的运动分岔并联机构类型较少,绝大多数运动分岔并联机构中含有变自由度性质的RER支链,为此基于图谱法综合了一类新型运动分岔并联机构且机构中含有4类变自由度性质支链与已有的RER支链不同。首先基于图谱法以机构初始位置两瞬时转动自由度线非共面且相互垂直为例对2T1R运动分岔并联机构进行综合,随后将机构含有的URR支链中和定平台相连接的R副轴线方向改变,使其具有2R2T和3R1T两种自由度性质。将改进后的URR支链配置方案应用到部分4自由度和5自由度支链中,提出另外三类变自由度支链,每种类别支链分别有4、12、32种。以机构中含有4类不同变自由度性质的支链为分类依据,综合出四大类同时具有2T1R+2R1T两模式新型运动分岔并联机构,共包括12种子类别;以第4类变自由度支链为例,将其引入到并联机构中,通过图谱法综合出具有3T1R+2R2T两模式新型运动分岔并联机构。     

基于可学习EKF的高超声速飞行器航迹估计

临近空间高超声速目标因具有高速、大机动、全球到达的特点,已成为国防安全的一类新型威胁.此类目标具有非惯性的航迹形式、并可进行复杂的策略性机动,给其航迹估计带来了新的挑战.为应对目标的机动特性,提升航迹估计性能,将循环神经网络与扩展卡尔曼滤波深度嵌合,提出了基于可学习扩展卡尔曼滤波的航迹估计方法.首先,通过分析目标机动特性,建立了参数化的目标机动模型.然后,考虑目标复杂机动特性对航迹估计造成的影响,将循环神经网络与扩展卡尔曼滤波深度嵌合,提出了可学习扩展卡尔曼滤波方法.通过使用已有航迹数据进行训练,所嵌入的两个循环神经网络,可发现目标机动的隐含规律,并对目标复杂机动所引起参数与模型不确定性的进行在线识别与动态补偿.最后,以某临近空间高超声速目标的航迹估计为例,选取典型机动场景,对所提出方法与EKF、AEKF等传统方法进行了对比分析. 分析结果表明,所提出的可学习扩展卡尔曼滤波方法可有效应对目标复杂的机动,具有比EKF、AEKF方法更高的估计精度和更优的估计动态性能.     

季膦盐离子液体对AOT/环己烷反相微乳液增溶水性质的影响

季膦盐离子液体由于其独特的物理化学性质而被广泛应用,由于其结构的多样化,目前还没有对其基本性质进行系统地研究。采用傅里叶变换红外光谱法(FT-IR)研究了AOT/环己烷中分别加入两种季膦盐离子液体P[4444]FeCl_4和P[44414]FeCl_4水溶液后所形成W/O型微乳液的性质,并与加入普通咪唑型离子液体[Bmim]Cl作对比。采用Peakfit分峰技术,将增溶水分为结合水、本体水和束缚水,并且用电位粒度仪测试了微乳液粒度的大小。经过对加入不同浓度的离子液体,微乳液水状态的变化进行比较,发现3种离子液体在微乳液中增溶的位置不同,按照[Bmim]Cl、P[4444]FeCl_4、P[44414]FeCl_4的顺序由微乳液的油水界面向栅栏层移动。由微乳液的粒径随浓度的变化关系,印证了离子液体在微乳液中增溶位置的正确性。通过研究两种季膦盐离子液体对于微乳液性质的影响,总结其作用规律,为新型离子液体的应用奠定基础。     

基于ICF和多级分类器的交通标志检测

针对传统的基于积分通道特征(ICF)和Adaboost交通标志检测算法,召回率过低和误检率过高的问题,提出了一种两阶段交通标志检测方法.第一阶段对ICF进行谱聚类并结合Adaboost算法学习得到目标感兴趣区域(ROI);第二阶段对所获得的感兴趣区域进行直方图均衡化,利用尺度不变特征变换(SIFT)描述子与支持向量机(SVM)分类器相结合,提高了目标区域检测的准确性.通过德国交通标志数据集(GTSDB)的验证,结果表明:采用SICF-Adaboost +SIFT-SVM构建的交通标志级联分类器检测算法相对于传统的ICF-Adaboost算法召回率高且误检率低,适用于真实场景下的交通标志检测.     

基于四元数显著图和PCNN空洞滤波的足球检测

注意力选择和先验知识可有效的用于目标检测与跟踪。在基于注意力选择目标跟踪模型的基础上,引入了PCNN（Pulse Coupled Neural Network）空洞滤波及足球颜色的先验知识。一方面,针对有些情况下足球模糊不清,采用PCNN空洞滤波检测足球的连通性;另一方面,在注意力选择模型中引入了足球颜色的先验知识,进一步提高检测性能。首先提取球场区域,然后对由足球颜色先验知识、色差和亮度产生的四元数显著图进行PCNN空洞滤波,很多情况下可由此直接检测到足球。如果至此未检测到足球,继续利用四元数显著图生成感兴趣区域,并用足球的面积、圆形度和离心率等特征进一步检测目标,同时采用卡尔曼滤波器预测足球的位置作为补充检测。仿真结果显示,与Dynamic Kalman Filter with Velocity Control^[4]和Real Time Ball Detection Framework^[5]两种方法相比,检测成功率分别提高了11．5％和15．8％。     

基于增强拉东变换及稀疏先验的模糊星斑复原

为了提高动态条件下星光导航系统星斑质心定位精度,本文提出了一种新的模糊星斑复原算法。首先,分析了星斑图像退化模型,得出了星斑质心定位精度与星斑信噪比呈正相关的关系。对于载体角运动和载体振动两个因素引起的模糊星斑复原过程分成粗级复原和精级复原两个步骤。接着分析了噪声对拉东(Radon)变换的影响,提出基于灰度拉伸的改进Radon变换算法进行粗复原。最后,根据清晰星斑的梯度分布稀疏先验正则化,利用迭代盲复原算法对星斑进行精复原。仿真实验结果表明,本文提出的两步模糊星斑复原算法较传统算法复原后星斑峰值信噪比(PSNR)提高30%,质心定位精度提高55%。     

非均匀电场下乳化油中液滴变形动力学行为

外加电场下液滴的变形动力学行为是乳化液电脱水机理研究的重要内容。基于Cahn-Hilliard方程的相场方法,建立了液滴在非均匀电场下的仿真模型,研究了电场作用下乳化液中液滴在形变、移动和聚结过程中电荷密度和电场力的分布规律,以及流场和电场的耦合作用。仿真分析了液滴粒径、电场强度以及电场非均匀系数对液滴运动行为的影响。利用实验室小型脱水系统开展了乳化液脱水实验,并通过高速摄像机对乳化液中液滴的运动行为进行了观测与分析。研究结果表明,在非均匀电场中液滴表面的极化电荷分布不均,由液滴中部向两端逐渐增大,在靠近电场集中方向处的电荷密度和Maxwell应力值最大;在一定范围内增大电场强度、电场非均匀系数或液滴粒径,可使液滴形变量增大,液滴向电场集中区域的移动速度以及液滴间的聚结速度增加。     

基于国产众核处理器的深度神经网络算子加速库优化

基于不同硬件设备的算子加速库已经成为深度学习框架不可或缺的一部分,能够为大规模训练或者推理任务提供数倍的性能加速.当前的主流算子库都是基于GPU架构开发的,与其他异构设计并不兼容;SWDNN算子库是基于申威26010开发的,无法充分发挥升级后的申威26010 pro处理器的性能,也不能满足当前GPT-3等大型神经网络模...     

基于改进高斯拟合的红外相机视角下标识点中心定位方法

针对红外相机视角下标识点中心提取问题,在分析其图像特征的基础上,提出一种粗细结合的分割及高斯拟合的方法以实现对标识点中心的定位。首先根据图像中标识点的灰度差异,对其进行ROI粗定位,去除背景反光对其分割的影响。随后对目标图像采用K均值聚类算法,实现目标分割。最后,通过剔除中心冗余信息的改进高斯拟合提取方法,得到标识点光斑中心坐标。实验结果表明,相较于灰度质心法、Hough变换法和圆拟合法,本方法对其中心提取稳定性误差均小于0.1像素,具有高重复性和稳定性精度。即使目标产生不同程度遮挡时仍具有较高精度,适合于红外相机视角下定位系统的标识点中心提取。