采用MSBN多智能体协同推理的智能农业车辆环境识别

为了解决智能农业车辆对所处复杂农田环境的识别信度定量分析困难的问题,提出了基于多连片贝叶斯网(MSBN)多智能体协同推理的目标识别算法.该方法把多智能体图像采集系统的局部信息表征在MSBN模型中,在观测不完备条件下,虽然单个智能体仅拥有目标的局部观测信息,但利用重叠子域信息的更新可以进行子网间消息的传播.利用MSBN局部推理和子网间信度通信的全局推理对多源信息进行融合,以提高识别性能.实验结果表明,与传统神经网络或BN方法相比,基于MSBN目标识别算法有效地对多源信息进行了补充,可以提高农业车辆在复杂环境进行识别的准确性.     

融合局部自适应追踪的多目标牵制蜂拥算法

针对以往的多智能体蜂拥控制算法在考虑单个目标追踪情形时不具普适性,以及现有的多目标蜂拥控制都是基于全局目标信息来进行集中式协调控制,而非基于局部目标信息下的分布式协调控制的问题,提出一种融合局部自适应检测机制的分布式协同牵制蜂拥算法。首先,算法在分离、聚合、速度匹配和引导反馈的基础上,引入局部自适应追踪策略,实现智能体的局部动态跟随运动;其次,受牵制思想启发,根据节点影响力指数评估算法选取m个信息个体分别向m个目标进行多目标追踪,起到模拟外部信息的作用,不同的信息个体会由于局部自适应检测机制间接地引领周围局部个体向不同目标进行追踪;最后,设计一类新的聚集和排斥势能函数,实现相同目标智能体的聚集,以及不同目标智能体的避碰,具有可调参数少和效率高的优势。通过三维仿真实验验证了算法的多目标追踪可行性和有效性。     

不同时延的二阶多智能体系统的编队协调控制

多智能体的编队协调控制可以作为 CPS(Cyber-Physical Systems,信息物理系统)的一个实例.多智能体之间信息传输存在通信时延,每个智能体的信息处理存在输入时延,历史文献中提出的具有时延的编队协调控制算法只实现了一种队形的控制,且系统中每个智能体最后并没有定位到各自的目标位置.文中提出了另一种具有不同时延的编队协调控制器算法.本控制器算法考虑系统中每个智能体寻找目标位置的稳定部分,并在此部分考虑时延问题,最后使每个智能体从其初始位置移动到各自预先定义的目标位置,并且在每个智能体都到达各自的目标位置时,系统速度渐进一致为零.假设网络拓扑是静态有向连通图且存在一个有向生成树,应用频域分析理论和矩阵论,证明了使系统达到编队协调控制的分散式条件.仿真部分通过一个由四个智能体组成的系统的编队协调控制验证了文中研究结果的正确性     

一阶多智能体受扰系统的自抗扰分布式优化算法

研究一类具有未知外部干扰的一阶多智能体系统的分布式优化问题.在分布式优化任务中,每个智能体只被容许利用自己的局部目标函数和邻居的状态信息,设计一个分布式优化算法,使全局目标函数取得最小值,其中全局目标函数是所有局部目标函数之和.针对该问题,首先提出由扩张状态观测器和优化算法组成的自抗扰分布式优化算法.其次,在Lyapu...     

深度强化学习联合回归目标定位

为了模拟人眼的视觉注意机制,快速、高效地搜索和定位图像目标,提出了一种基于循环神经网络(Recurrent neural network, RNN)的联合回归深度强化学习目标定位模型.该模型将历史观测信息与当前时刻的观测信息融合,并做出综合分析,以训练智能体快速定位目标,并联合回归器对智能体所定位的目标包围框进行精细调整.实验结果表明,该模型能够在少数时间步内快速、准确地定位目标.     

通信时延下多智能体系统的安全一致性控制

研究了离散时间多智能体系统存在通信时延条件下的安全一致性问题.本文的目标是设计一种一致性控制算法能够使得网络中各正常智能体抵御敌对智能体的攻击并实现最终状态一致.该算法仅利用个体的自身状态和相邻个体的时延信息作为控制输入,并根据控制器参数、拓扑属性和通信时延,获得了所提算法实现收敛的充要条件.最后,通过仿真实例对理论结果进行了验证.     

多智能体蝙蝠算法在无线传感器中的应用

针对无线传感器网络(WSNs)节点的定位误差较大的问题,提出了一种新的具有局部搜索能力强的多智能体蝙蝠算法.改进算法中对寻优蝙蝠个体融入多智能体技术,通过邻域竞争合作算子以及自学习过程提高了算法全局搜索能力,避免算法陷入局部最优,加快算法的收敛速度.通过对标准测试函数的仿真,改进算法相比于其他算法,寻优精度和进化效率得到了较大的提高.随后采用多智能体蝙蝠算法求解无线传感节点定位问题,仿真结果表明改进算法减少了测距误差对定位精度的影响,提高了未知节点定位的精度,为无线传感网络节点定位的实际应用提供理论参考.     

基于区域判别与信息反传的车辆精细定位方法

伴随智能交通图片数据爆炸式增长,交通大数据车辆精确定位管理需求增加.针对SSD(singleshotmultibox detector)检测算法对小目标定位不稳定与距离弥散导致的车辆定位偏差问题,提出了一种端到端的车辆及内部细节定位方法.包括引入无效目标过滤机制,以有效地抑制定位偏差;添加区域位置信息反传层,共享低卷积层局部特征,扩大小目标局部感受野,有效地进行车辆内部细节定位.采用PASCALVOC2007数据集进行的实验结果表明,文中方法达到了良好的效果.     

具有不确定性多智能体系统的一致性算法研究

提出了一种具有不确定性的多智能体系统的一致性算法.该算法具有设计灵活、鲁棒性强的特点,包括协同律和自适应律.只要网络存在生成树,该算法就可以适应不同的网络拓扑结构.协同律利用现有邻居智能体的局部信息,推动多智能体系统达到一致性.自适应律抑制局部扰动,消除不确定性对网络的影响.最后,仿真结果验证了所提出的算法的有效性.     

部分可观测下基于RGMAAC算法的多智能体协同

多智能体深度强化学习(MADRL)将深度强化学习的思想和算法应用到多智能体系统的学习和控制中,是开发具有群智能体的多智能体系统的重要方法.现有的MADRL研究主要基于环境完全可观测或通信资源不受限的假设展开算法设计,然而部分可观测性是多智能体系统实际应用中客观存在的问题,例如智能体的观测范围通常是有限的,可观测的范围外不包括完整的环境信息,从而对多智能体间协同造成困难.鉴于此,针对实际场景中的部分可观测问题,基于集中式训练分布式执行的范式,将深度强化学习算法Actor-Critic扩展到多智能体系统,并增加智能体间的通信信道和门控机制,提出recurrent gated multi-agent Actor-Critic算法(RGMAAC).智能体可以基于历史动作观测记忆序列进行高效的通信交流,最终利用局部观测、历史观测记忆序列以及通过通信信道显式地由其他智能体共享的观察进行行为决策;同时,基于多智能体粒子环境设计多智能体同步且快速到达目标点任务,并分别设计2种奖励值函数和任务场景.实验结果表明,当任务场景中明确出现部分可观测问题时,RGMAAC算法训练后的智能体具有很好的表现,在稳定性...     

自适应轮廓的变分水平集复杂背景多目标检测

无需重新初始化的变分水平集模型能够避免经典水平集模型的重复初始化步骤,进而简化计算,降低检测所需时间,同时能够有效利用图像的边缘梯度信息,从而准确定位图像的局部结构.但该模型不能自适应获得初始化曲线,水平集的拓扑结构也无法改变,不能解决多个目标的检测问题.针对以上问题,本文提出了一种基于自适应轮廓的变分水平集复杂背景多目标检测方法,该方法采用帧间差分算法与K-means聚类算法相结合,以获得多个运动目标的初始化曲线,通过形态学方法来降低图像噪声的干扰,从而快速自适应的估计复杂背景下运动目标的位置和轮廓大小.该算法进一步对无需初始化的变分水平集进行改进,将其由单目标检测模型扩展为多目标检测模型,并修正原模型难以处理图像灰度不均匀的问题,最终实现对复杂背景下多个目标的检测.在标准数据库和实际数据集上的测试结果表明,本文所提方法能够准确的定位不同尺度和灰度目标的轮廓,从而提高算法的演化迭代效率及准确性.     

分布式多维标度定位算法的研究

针对经典MDS-MAP定位算法在定位精度和算法复杂度方面的不足,提出一种分布式多维标度定位算法。改进后的算法加入了分簇的思想,将大规模网络分成多个具有簇首的局部网络。局部定位时,引入Hop-Euclidean算法,计算簇内节点间距离,再用局部网络融合算法将局部相对坐标图合并成全局相对坐标图。仿真分析表明,提出的算法在各向同性和各向异性网络中都有很好的定位精度,而且在定位精度提高的情况下可用于不规则网络,有利于网络的扩展,更适用于大规模密集型网络。     

移动传感器网络中目标跟踪与监测的同步优化

针对移动传感器网络(Mobile sensor networks, MSNs)中动态目标(事件源)的监测优化问题, 为提高网络覆盖质量, 建立基于Voronoi剖分的监测性能(Quality of monitoring, QoM)评价函数, 提出基于群集控制的传感器节点部署分布式控制算法. 每个节点在本地结合最小二乘法和一致性算法来估计目标相对位置. 相比传统算法, 本文算法只需本地和单跳通信(可观测)邻居的信息, 从而减小通信时长和能耗. 算法在提高以目标为中心的一定区域监测性能的同时, 使全体传感器速度趋于一致, 从而在尽量保持网络拓扑结构的同时减少了整体移动能耗. 在目标匀速或目标加速度信息全网可知的情况下, 全体传感器速度渐近收敛至目标速度, 且监测性能收敛至局部最优. 所采用的目标位置估计滤波算法计算简单、切实可行.     

改进的分布式无线传感器网络多维标度定位算法

为提高无线传感器网络集中式多维标度MDS-MAP算法的定位精度,提出了一种改进的基于MDS的分布式定位算法。该算法在构建距离矩阵时引入Euclidean算法距离估算思想,同时采用一种优化的基于最小二乘逼近的坐标转换方法实现节点由相对坐标到绝对坐标的转换。实验结果显示,与经典MDS-MAP算法相比,改进算法在多种网络拓扑结构下均能有效提高节点的定位精度。     

Optimality analysis of sensor-target localization geometries

The problem of target localization involves estimating the position of a target from multiple noisy sensor measurements. It is well known that the relative sensor-target geometry can significantly affect the performance of any particular localization algorithm. The localization performance can be explicitly characterized by certain measures, for example, by the Cramer-Rao lower bound (which is equal to the inverse Fisher information matrix) on the estimator variance. In addition, the Cramer-Rao lower bound is commonly used to generate a so-called uncertainty ellipse which characterizes the spatial variance distribution of an efficient estimate, i.e. an estimate which achieves the lower bound. The aim of this work is to identify those relative sensor-target geometries which result in a measure of the uncertainty ellipse being minimized. Deeming such sensor-target geometries to be optimal with respect to the chosen measure, the optimal sensor-target geometries for range-only, time-of-arrival-based and bearing-only localization are identified and studied in this work. The optimal geometries for an arbitrary number of sensors are identified and it is shown that an optimal sensor-target configuration is not, in general, unique. The importance of understanding the influence of the sensor-target geometry on the potential localization performance is highlighted via formal analytical results and a number of illustrative examples.     

无线传感器网络基于中垂线分割的APIT的改进定位算法

定位技术是无线传感器网络重要的共性支撑技术之一。在近似三角形内点测试APIT算法基础上提出了基于中垂线分割的改进算法PB-APIT。利用三条边的中垂线将APIT算法中的三角形分割为4个或6个可用小区域,并以检测信号的强弱进一步来判定未知节点的位置,即判断未知节点处于哪一个可用小区域,从而减小原APIT算法的定位区域,提高定位精度。仿真结果表明,与原APIT算法相比,所改进的算法精度上有较大提高。     

Vision-based global localization and mapping for mobile robots

We have previously developed a mobile robot system which uses scale-invariant visual landmarks to localize and simultaneously build three-dimensional (3-D) maps of unmodified environments. In this paper, we examine global localization, where the robot localizes itself globally, without any prior location estimate. This is achieved by matching distinctive visual landmarks in the current frame to a database map. A Hough transform approach and a RANSAC approach for global localization are compared, showing that RANSAC is much more efficient for matching specific features, but much worse for matching nonspecific features. Moreover, robust global localization can be achieved by matching a small submap of the local region built from multiple frames. This submap alignment algorithm for global localization can be applied to map building, which can be regarded as alignment of multiple 3-D submaps. A global minimization procedure is carried out using the loop closure constraint to avoid the effects of slippage and drift accumulation. Landmark uncertainty is taken into account in the submap alignment and the global minimization process. Experiments show that global localization can be achieved accurately using the scale-invariant landmarks. Our approach of pairwise submap alignment with backward correction in a consistent manner produces a better global 3-D map.     

Real Time Relative and Absolute Dynamic Localization of Air–Ground Wireless Sensor Networks

A novel approach for relative and absolute localization of wireless sensor nodes using a potential field method is presented. The main idea of our work is to develop relative and absolute localization algorithms for the position estimate of stationary unattended ground sensor (UGS) nodes using a potential field method. A dynamical model is derived for each sensor node to estimate the relative and absolute position estimates under the influence of a certain fictitious virtual force. In the algorithm the sensor nodes do not move physically, but a virtual motion is carried out to generate optimal position estimates. The convergence of the estimator system to a least squares solution is guaranteed using Lyapunov theory. Separate control algorithms for relative and absolute localization are developed which guarantee the convergence of the position estimates. The relative localization algorithm assumes that distance (i.e. range) measurements between UGS nodes are available and for absolute localization algorithm, uninhabited aerial vehicles (UAV) are available with on board GPS such that they have absolute position information together with range measurement information. In the relative localization algorithm the UGS nodes are localized with respect to an internal co-ordinate frame. In absolute localization the UGS nodes are localized with respect to the known absolute position of UAV in the air–ground network. The effectiveness of the control algorithm is highlighted by the real time implementation results.     

基于全景视觉的移动机器人地图创建与定位

提出一种高效的基于全景视觉的室内移动机器人地图构建和定位方法. 该方法充分利用全景视觉系统视野广阔、获取环境信息完整的特点, 根据全景图像生成环境描述子; 利用上述环境描述子描述环境, 创建拓扑地图, 将地图表示为环境描述子的集合. 在此基础上, 提出一种基于贝叶斯理论的定位方法, 根据当前全景摄像头的观测值, 利用已生成的地图完成状态跟踪, 全局定位和“绑架”定位. 最后通过实验验证了该方法的有效性, 并给出了计算成本分析.