基于坐标逆映射的增强型车辆三维全景影像

当前最先进的车辆三维全景影像虽然可以较好地对车身周边环境进行三维立体的拟真显示,但仍然会对车身近处的三维物体造成显示畸变,极大地影响显示效果、降低实用性。针对该问题,提出一种增强型车辆三维全景影像的合成方法。首先利用YOLOv4网络检测出车辆及行人在图像中的位置,之后基于坐标升维逆映射将检测出的物体位置升维映射至世界坐标系下,最后将三维模型渲染在相应的逆映射位置上来代替显示畸变的三维物体,从而给驾驶员提供有效的周边物体位置信息。实验结果表明,所提方法生成的增强型车辆三维全景影像具有很好的实时性和显示效果,能够有效解决当前车辆三维全景影像的显示缺陷。     

一种非结构环境下多机器人构建地图的方法

提出了一种多移动机器人在非结构环境下构建地图的新方法.该方法让各机器人独立探索环境并对不同的局部栅格地图予以融合.在地图融合过程中,无需考虑机器人相对位置的先验信息,而是以栅格地图相似度为度量标准,利用距离变换和改进的遗传算法高效、快速地搜索各局部地图之间的最大重叠部分,进而予以融合.实验结果表明,与常规方法相比,该方法能够较为精确地实现非结构环境下多机器人地图构建,且限制条件少,更适合于实际应用中的各种复杂情况.     

智能控制的学科发展与学科教育

本文首先回顾国内外智能控制的学科发展过程，主要涉及各种智能控制系统的出现和智能控制学科的建立。简介智能控制学科发展概况之后，研究了我国的智能控制学科教育。文中以中南大学智能控制课程建设为代表，总结本课程建设的一些做法和经验，反映了我国智能控制课程的发展和现状。本文最后展望了智能控制学科的发展。     

人工智能精品课程的创新性教学探索

针对人工智能课程自身特点和中南大学人工智能课程的建设历程,总结我校人工智能精品课程的建设改革经验及体会。首先介绍优化课堂教学和实践教学内容方面的改革,然后探讨教学模式与教学方法的创新,包括采用现代教育技术构筑人工智能课程的现代教学模式、以兴趣引导的互动式教学、举行课堂讨论会营造自由探索气氛等。最后分析了人工智能课程尚需改进的两个问题。本文可供兄弟院校人工智能精品课程建设和其他课程建设借鉴。     

基于声纳和摄像头的动态环境地图创建方法

针对动态环境下声纳传感器无法正确检测动态障碍物从而降低移动机器人的地图创建的精度的问题,提出了一种声纳和视觉传感器结合的动态环境地图创建方法.为保持地图信息的完整性,该方法分别建立了动、静态栅格地图,利用前一时刻的静态地图、当前声纳观测信息和摄像头检测的动态障碍物信息的比较来更新地图,并给出了地图更新模型.因视觉信息能成功地解决地图中某些动态障碍物被当成静态障碍物的错误,因而能建立正确的地图.实验验证了该方法正确,可行.     

基于遗传算法的多机器人协作建图方法*

现有多机器人协作构建地图的方法对环境和机器人位置信息有着较高要求,因而在实际应用中存在一定局限性。针对这一问题,提出了一种基于遗传算法的改进方法。该方法采用独立探索、集中建图的探索策略,对环境建立局部栅格地图并予以融合。在地图融合过程中,无须考虑机器人位置信息,而是以栅格地图相似度为度量标准,利用改进的遗传算法快速、高效地搜索各局部地图之间的最大重叠部分,进而予以融合。实验结果验证了该方法的可行性和有效性。     

基于粒子群优化的移动机器人SLAM 方法

针对移动机器人的粒子滤波SLAM（同时定位与建图）方法中需要大量粒子来提高精度的问题,将粒 子群优化思想引入到FastSLAM 中,提出了一种基于粒子群优化的同时定位与建图方法．通过粒子群优化方法对 FastSLAM 中预估粒子进行更新,调整粒子的提议分布,使得预测采样粒子集中于机器人的真实位姿附近．该方法 能有效提高SALM 精度,并减少所使用的粒子数以及计算的时间复杂度．仿真实验结果表明该方法有效、可行．     

移动机器人SLAM中一种混合数据关联方法

数据关联是移动机器人同时定位与建图(SLAM)中的一个难点问题.将经典的单匹配最近邻(ICNN)算法和分枝限界联合匹配(JCBB)算法结合起来,提出了一种基于局部地图的混合数据关联方法.在SLAM数据关联过程中,首先采用ICNN算法在局部地图中进行数据关联,并判断关联结果的正确性,若有错则采用JCBB算法在错误匹配处周围的局部区域内重新进行数据关联,以纠正错误的关联结果.实验结果表明,该方法实时性强,精确度高,适用于不同复杂程度的环境.     

一种融合多级稀疏表达和度量学习的目标跟踪方法

基于稀疏表达的跟踪方法通常采用基于固定阈值的模板更新策略, 很难适应不断变化的目标外形; 其次, 稀疏表达缺乏描述目标流行结构的能力, 区分背景和目标的能力差. 针对基于固定阈值的模板更新策略的不足, 提出一种多级分层的目标模板字典. 为了改善对背景和目标的区分能力, 提出一种融合多级稀疏表达和度量学习的目标跟踪方法. 实验结果表明了所提出的方法能有效提高跟踪的鲁棒性和精度.

     

基于可见光与红外热图像的行车环境复杂场景分割

复杂场景分割是自动驾驶领域智能感知的重要任务,对稳定性和高效性都有较高的要求.由于一般的场景分割方法主要针对可见光图像,分割效果非常依赖于图像获取时的光线与气候条件,且大多数方法只关注分割性能,忽略了计算资源.本文提出一种基于可见光与红外热图像的轻量级双模分割网络(DMSNet),通过提取并融合两种模态图像的特征得到最终分割结果.考虑到不同模态特征空间存在较大差异,直接融合将降低对特征的利用率,本文提出了双路特征空间自适应(DPFSA)模块,该模块能够自动学习特征间的差异从而转换特征至同一空间.实验结果表明,本文方法提高了对不同模态图像的利用率,对光照变化有更强的鲁棒性,且以少量参数取得了较好的分割性能.