基于特征地图的移动机器人全局定位与自主泊位方法

 提出一种新的移动机器人全局定位与自主泊位方法.该方法分为两阶段：离线阶段,采用SIFT(Scale Invariant Feature Transform)算法并提出一种基于DD BBF(Double Direction Best Bin First)的特征匹配方法实现视觉特征三维重建;将进化策略应用于Rao Blackwellized粒子滤波器,并结合自适应重采样,实现了移动机器人同时定位和特征地图创建.在线阶段,采用基于HMM(Hidden Markov Model)的方法实现全局泊位位置识别;采用RANSAC算法实现全局度量定位;提出极点伺服控制方法,实现机器人精确自主泊位.在室内环境下的实验结果证实了该方法的优良性能.     

基于生物触角的仿生条件反射机器人导航算法

 运用神经行为学原理提出一种模拟生物条件反射活动的机器人导航算法.对于环境感知,提出生物触角模型,因仅对特定区域信息进行处理,大大减小了计算量;对于运动控制,提出一种实用的改进Bug算法,机器人依靠生物触角感知环境刺激,实时激励触发相应的行走行为.最后在多种障碍物分布情形下进行算法对比验证.结果表明,机器人可以利用该算法实现未知环境下定目标点自主导航,具有转向次数少、绕行障碍物距离小及运动路径平滑等优点.该算法在自主移动机器人和自主牵引车辆中具有潜在应用价值.     

一种新的移动机器人全局定位算法

粒子滤波器能够给出移动机器人全局定位非线性非高斯模型的近似解.然而,当新感知出现在先验概率的尾部或者与先验相比感知概率太尖时,传统的粒子滤波器会退化导致定位失败.本文提出了一种重要性采样跟中心差分滤波器(central difference filter,CDF)相结合的新算法,并对测量更新步的加权粒子集应用基于KD-树的加权期望最大(weighted expectation maximization,WEM)自适应聚类算法获得表示机器人位姿状态后验密度的高斯混合模型(Gaussian mixture model,GMM).实验结果表明,新方法提高了定位准确率,降低了计算复杂度.     

基于DSP的移动机器人的设计与实现

智能交通系统(ITS)是21世纪城市交通的发展方向，移动机器人作为智能车辆控制系统实验平台的一个主要部分，对ITS的关键技术的研究具有十分重要的意义。文中介绍面向ITS的SJTNC-1移动机器人的组成和结构，详细叙述了基于数字信号处理器TMS320LF2407A的控制系统的设计和实现。     

基于图信号处理的频控阵雷达目标定位方法

针对现代雷达应用对目标高精度测角和测距的需求,该文将图信号处理(GSP)应用于频控阵(FDA)雷达目标定位中,提出一种基于图信号处理的频控阵雷达目标定位新方法。首先,基于频控阵雷达几何模型及回波数据间的信号关联性构建回波数据的图信号模型,进而利用图傅里叶变换对上述图信号作图谱分解,构建2维谱峰搜索优化函数,最终有效获得目标的方位角-距离联合估计。仿真实验结果表明,该算法能够正确估计出目标的方位角和距离信息;在相同仿真条件下,算法的估计精度优于同类算法且提升了对弱目标的定位性能。     

一种新的无线传感器网络中异常节点检测定位算法

无线传感器网络中异常节点检测是确保网络数据准确性和可靠性的关键步骤。基于图信号处理理论,该文提出了一种新的无线传感器网络异常节点检测定位算法。新算法首先对网络建立图信号模型,然后基于节点域-图频域联合分析的方法,实现异常节点的检测和定位。具体而言,第1步是利用高通图滤波器提取网络信号的高频分量。第2步首先将网络划分为多个子图,然后筛选出子图输出信号的特定频率分量。第3步对筛选出的子图信号进行阈值判断从而定位疑似异常的子图中心节点。最后通过比较各子图的节点集合和疑似异常节点集合,检测并定位出网络中的异常节点。实验仿真表明,与已有的无线传感器网络中异常检测方法相比,新算法不仅有着较高的异常检测概率,而且异常节点的定位率也较高。     

基于空间探索和认知图构建的生物启发式目标导向导航模型

为实现智能自主运行体面向目标的导航知识生成及运行控制,该文研究了一种基于空间探索和认知图构建的生物启发式目标导向(GO)导航模型,该模型由空间探索、认知图构建和GO导航控制3个部分组成。在空间探索中,将网格细胞(GCs)到位置细胞(PCs)模型和视觉位置细胞生成模型融合后生成的位置细胞表征当前状态,利用Q学习算法实现状态-动作的建立及更新,以此学习面向目标运行的导航知识;然后,在认知图构建中,利用重心估计原理对空间探索得到的知识进行处理,生成各位置细胞状态下面向目标的方向信息;最后,运行体在朝目标的运行中,根据得到的认知图实时控制运行方向,以此实现GO导航。仿真结果表明,该GO模型有效,运行体进行充分的空间探索可生成认知图,并以此实现GO导航,且在运行过程中能有效规避障碍物。     

基于Householder多级最小模级联相消器导航接收机空时抗干扰方法

该文针对抑制GPS信号中期望信号方向的冲激毛刺干扰影响问题,提出Householder多级最小模级联相消方法,该方法用具有最小模的样本商作为复权,替代Householder多级维纳滤波器的权值计算,并将其用于GPS信号空时抗干扰处理中。此方法能很好地抑制期望信号方向的冲激毛刺干扰对自适应权值计算的影响,且复杂度低,收敛性能好。计算机仿真结果验证了算法的优良快收敛性能和良好的抑制期望信号方向冲激毛刺干扰影响的能力。     

基于压缩感知的定位新型UWB信号抽样方法

Ultra-wide-band (UWB) signals are suitable for localization, since their high time resolution can provide precise time of arrival (TOA) estimation. However, one major challenge in UWB signal processing is the requirement of high sampling rate which leads to complicated signal processing and expensive hardware. In this paper, we present a novel UWB signal sampling method called UWB signal sampling via temporal sparsity (USSTS). Its sampling rate is much lower than Nyquist rate. Moreover, it is implemented in one step and no extra processing unit is needed. Simulation results show that USSTS can not recover the signal precisely, but for the use in localization, the accuracy of TOA estimation is the same as that in traditional methods. Therefore, USSTS gives a novel and effective solution for the use of UWB signals in localization.     

Optimizing Deep Learning Parameters Using Genetic Algorithm for Object Recognition and Robot Grasping

The performance of deep learning (DL) networks has been increased by elaborating the network structures. However, the DL netowrks have many parameters, which have a lot of influence on the performance of the network. We propose a genetic algorithm (GA) based deep belief neural network (DBNN) method for robot object recognition and grasping purpose. This method optimizes the parameters of the DBNN method, such as the number of hidden units, the number of epochs, and the learning rates, which would reduce the error rate and the network training time of object recognition. After recognizing objects, the robot performs the pick-and-place operations. We build a database of six objects for experimental purpose. Experimental results demonstrate that our method outperforms on the optimized robot object recognition and grasping tasks.     

一种无须参数配对的近场源定位新算法

本文提出了一种适用于高斯白噪声环境的近场窄带信源定位新算法.该算法利用阵元输出计算的3个二阶统计量矩阵在二阶统计量域构造平行因子分析模型,分析了该模型低秩分解的唯一性,并从其分解得到的多个矩阵中联合估计信源距离、频率及到达角.该算法无须参数配对,无须谱峰搜索,计算简单.仿真结果表明该算法是有效的.     

一种改进HMSWF导航接收机空时抗干扰方法

该文针对抑制GPS信号中期望信号方向的冲激毛刺干扰影响问题,提出改进的Householder多级维纳滤波(HMSWF)方法,该方法用具有最小模的样本商作为复权,替代部分HMSWF的权值计算,新方法应用于GPS接收机空时抗干扰中,能很好抑制期望信号方向的冲激毛刺干扰对自适应权值计算的影响。计算机仿真结果验证了算法的优良抗干扰性能和良好的抑制期望信号方向冲激毛刺干扰影响的能力。     

基于人体运动识别约束的室内定位方法

针对传统的行人航迹推算（Pedestrian Dead Reckoning,PDR）方法无法满足多运动状态下的定位问题,提出了一种基于神经网络运动识别辅助室内定位的方法。构建出卷积神经网络(Convolutional Neural Network,CNN)和门控循环单元（Gated Recurrent Unit,GRU）组合的神经网络模型,用于识别人体的运动状态并完成分类。根据运动分类的结果应用到行人航迹推算中,分析和筛选运动参数特征作为算法的阈值约束条件来提高定位精度。在算法中运动步数由合加速度计数据波形检测得到,步长由运动状态的特征自适应调整步长模型。通过实验验证,CNN-GRU模型在自建数据集上的准确率达到99.6%。将识别结果应用到PDR中,在112 m 4种动作的矩形路线中定位误差为1.8 m,误差远低于传统PDR定位的19.9 m。实验结果验证了该方法的可行性。     

基于数据选择Householder多级维纳滤波导航接收机空时抗干扰方法

针对抑制GPS信号中期望信号方向的冲激毛刺干扰影响问题,对Householder多级维纳滤波方法进行改进,提出一种数据选择Householder多级维纳滤波器.改进方法用于GPS信号空时抗干扰处理中,可以避免期望信号方向的冲激毛刺干扰对最优权值计算的影响,同时保持期望信号不受影响.仿真结果验证了算法良好的抗干扰性能.     

一种超宽带与惯导融合的LSTM室内定位算法

针对复杂环境下的室内高精度定位需求,提出了一种超宽带和惯导融合定位方案.结合位置估计过程可被划分为时间序列预测问题的特点,提出了一种基于长短时记忆(Long Short Term Memory,LSTM)网络的联合定位算法,并对其总体架构设计、数据预处理方法、网络结构设计、模型训练方法进行了研究.在此基础上,通过仿真和...     

一种低复杂度的ESPRIT新算法

该文提出了一种基于QR分解的Power-ESPRIT (以下简称QP-ESPRIT算法) 新算法。首先使用采样数据协方差矩阵的幂(Power)获得噪声子空间的估计,然后对噪声子空间进行QR分解并使用R矩阵估计信源个数,提出了无特征分解的信源个数检测算法SDWED算法。进而,信号子空间的特征向量就可以由Q矩阵确定,从而应用ESPRIT算法获得信源波达方向的估计。该算法不需要预先知道信源个数的先验知识以及分离信号与噪声特征值的门限。在确定信源个数和子空间估计的同时,本文算法与传统的基于奇异值分解算法相比,具有近似性能时却拥有较低的计算复杂度。仿真结果证明了该方法的有效性。     

生物神经网络计算机仿真中数学建模与信号处理

由神经元通过突触联结而组成的生物神经网络可以处理信息和产生特定的电特性,认知神经网络信息的产生和传递机理,对生物医学具有重要意义.由于神经网络内部复杂的非线性反馈,从微观的生理结构进行各种可能的实验十分困难.通过分析神经网络的生理和生化结构,将信息学与生物医学相结合,利用计算机仿真可以系统地分析神经网络的内部结构和外部属性.为此,设计和实现了生物神经网络的计算机仿真系统,该仿真系统涉及生物神经网络的等效电路、数学建模、数据表达、信号处理和并行运算等,其已在许多科研机构和高等院校得到应用,本文主要阐述其数学建模和信号处理.     

基于PF/CUKF/EKF的移动机器人SLAM框架算法

 提出了一种基于混合滤波的移动机器人同时定位与地图创建(SLAM)算法框架,并利用统计理论对SLAM算法进行一致性评估,该算法框架将机器人SLAM中的联合后验概率分布分解为机器人路径部分及以机器人路径为条件的地图部分,使滤波器变成低维滤波,能够有效地提高计算效率.采用约束的无色卡尔曼滤波(CUKF)算法并融合新的观测数据使提议分布更加接近后验概率分布,并且能够精确估计移动机器人的位姿,进而通过扩展卡尔曼滤波(EKF)算法更新特征地图的位置.仿真实验表明该混合滤波技术为SLAM算法提供了一种有效可靠的途径,在一定条件下与其他SLAM算法比较会得到更高的精度要求.     

基于粒子滤波和交互多模型的移动定位方法

为提高非视距情况下移动辐射源的定位精度,提出一种改进的交互粒子滤波算法.该算法对目标运动多模型和信号到达时间差测量噪声分布多模型联合建模.在交互多模型状态更新中利用粒子滤波对目标时变状态以及视距/非视距混合信道参数进行估计,抑制了非视距测量误差对移动定位的影响.仿真结果表明,改进算法的性能要优于现有的视距条件运动多模型和视距/非视距条件单一运动模型的定位算法,并且定位误差接近于推导的后验克拉美劳下界.     

基于FOLP的STBC-OFDM信号盲识别方法

针对STBC-OFDM信号盲识别中存在着识别所需样本数多、对频偏敏感和不适用于单接收天线等问题,提出一种基于FOLP（Fourth Order Lag Product）的识别方法.根据不同空时分组码元素的相关性,推导了接收信号的FOLP,构造了基于FOLP的峰值检测算法.推导和仿真结果表明,该算法能够在单接收天线下运行,且不需要知道信道信息、噪声信息、调制信息以及OFDM块的起始位置;且该算法不受调制方式的影响,对时延、相位噪声和频率偏移鲁棒性能好,能够应用于认知无线电、频谱监控等工程领域中.