基于实时视频感知的虚拟体育交互系统

针对疫情常态化背景下,传统体育项目受场地、器材等限制,市场上相关产品价格昂贵、可扩展性不足等问题,提出了一种基于实时视频感知的虚拟体育交互系统.该系统设计视频数据采集模块和人体关节点提取模块,结合OpenPose获取人体的关节点坐标,实时捕捉人体手势以及肢体动作.动作语义理解模块包括运动动作理解和绘图动作理解.前者根据运动中肢体关节点的相对位置关系,识别运动动作语义.后者将手腕部关节点绘图动作轨迹生成为草图图像,使用AlexNet进行识别分类,解析为对应的绘制动作语义.该模型在边缘端设备的分类准确率为98.83%.采用基于Unity设计的草图游戏应用作为可视化交互界面,实现在虚拟场景中的运动交互.该系统使用实时视频感知交互方式实现居家运动健身,无需其他的外部设备,具有更强的参与度和趣味性.     

基于NS3-gym框架的智能干扰规避系统设计与实现

多智能体构建的无线通信网络在受到外部恶意干扰时,智能体需要与环境进行大量交互来学习干扰规律和优化抗干扰策略。为了有效模拟和验证智能体与外部干扰环境的学习交互过程,需要构建智能干扰规避仿真系统。提出了一种基于NS3-gym框架的智能干扰规避系统,NS3模拟智能通信网络场景并将感知到的网络状态数据作为智能体的输入,智能体对输入数据进行学习分析得到干扰规避决策,并通过gym与NS3之间的交互将其返回到NS3中的仿真网络进行抗干扰策略部署。NS3-gym框架提供了NS3和OpenAI gym之间进行信息交互的接口。在Ubuntu20.04系统下搭建了智能干扰规避系统的仿真平台,分别验证了Q学习算法以及WoLF-PHC算法在扫频干扰、贪婪随机策略干扰、跟随干扰、随机干扰四种场景下的抗干扰性能。仿真结果证明了所提系统架构与仿真平台的正确性和有效性。     

融合坐标信息与模板更新的孪生网络目标跟踪

应对孪生网络单目标跟踪算法在跟踪中遇到背景杂乱、相似物影响、遮挡等复杂场景的问题导致跟踪系统精度和成功率下降的问题,提出一种融合坐标注意力机制和模板更新的跟踪算法MCUSiamRPN (MobileNet coordinate attention and updating of template SiamRPN).在SiamRPN算法基础上,采用改进的MobileNetV3为特征提取网络,多层特征信息分别送入坐标注意力模块,进行特征融合,丰富语义信息;设计了一种自适应模板更新模块,结合初始模板和当前帧的模板用于估计下一帧的最佳模板更新模板信息.在OTB100和UAV123两个数据集上进行测试,结果显示:相比于基准算法Siam RPN,精度分别提升了5.3%和3.7%;成功率分别提升了3.7%和5.2%,验证了该算法的有效性.     

利用双载频方向图相乘的稀疏均匀阵栅瓣抑制方法

针对稀疏阵列天线间距远大于信号波长导致阵列方向图出现大量栅瓣的问题,该文基于不同载频阵列方向图主瓣与栅瓣相对位置关系存在差异的特性提出一种新型的栅瓣抑制算法。该算法充分利用不同载频回波信息,避免了大规模搜索,有效降低了计算量。首先根据算法原理确定了影响该栅瓣抑制算法性能的因素,然后进一步对影响栅瓣抑制性能的关键参数进行了定量分析,推导得出了栅瓣抑制后峰值旁瓣比(PSLR)与频率差的关系表达式。该表达式为栅瓣抑制快速选择最优频率差提供了理论依据。最后,通过计算机仿真验证了该算法对栅瓣抑制的有效性以及该文所推导的峰值旁瓣比与频率差关系表达式的正确性。     

基于三维凹包学习算法的海面小目标检测方法

对于特征类的海面小目标检测方法,现有3特征检测器通常采用凸包分类算法完成检测。在实际应用时发现,该分类算法生成的判决区域在某些情况下不能很好地反映海杂波样本集合在特征空间中的分布情况,进而对检测器性能造成一定程度的损失。相比之下,使用凹包算法生成的判决区域是由凸包内剖得到的,它能更加贴合海杂波样本的分布,因此该文将判决区域的形式由凸包转化为凹包,并在此基础之上提出一种基于3维凹包学习算法的海面小目标检测方法。同时,针对现有3维凹包算法存在的内剖效率低、无法实现恒虚警检测的缺点,该文通过优化内剖点选择方法、增加“外补”环节的方式对算法进行改进。最后,经实测CSIR数据及X波段试验雷达数据共同验证,在其他参数均相同时,该文方法的检测性能要优于已有的多特征检测方法,并且通过对凹包算法的复杂度分析证明了所提方法的应用潜力。     

切换拓扑下测量受限多智能体系统一致性迭代学习控制

针对通信拓扑至少含有一个沿迭代轴的联合生成树且同时沿有限时间轴和无限迭代轴切换的情况,文本研究了存在测量受限的连续线性多智能体系统输出一致性迭代学习控制问题.首先,文章采用迭代学习控制方法设计了一种基于跟随者局部信息的分布式输出一致性协议.然后,给出了系统可解输出一致性问题的两个充分性条件,其中之一可使跟随者实时获取迭代学习增益,避免了全局信息对学习增益设计的影响,且保证了算法的分布式实现.接着,利用λ范数理论和圆盘定理严格证明了所设计算法的收敛性.最后,通过实例仿真验证了所得结论的有效性.     

具有时变外系统扰动的一维抛物方程的观测器设计

本文考虑含有扰动的一维抛物方程的状态观测问题, 其中系统内部和边界上的扰动由一般的时变外系统产生. 利用反步变换和解耦变换, 设计了基于边界输出信号的状态观测器, 用于在线估计原系统和外部系统的状态.结果表明, 随着时间的推移, 观测器是指数收敛的. 最后, 通过数值仿真验证了该观测器的有效性.     

农用拖拉机的自适应二阶滑模路径跟踪控制

针对农用拖拉机在未知扰动影响下的路径跟踪控制问题,本文提出了基于自适应二阶滑模和扰动观测技术的路径跟踪控制策略.首先,建立含有未知扰动项的路径跟踪偏差模型,通过利用自适应控制和改进的加幂积分技术,构造自适应二阶滑模路径跟踪控制方法,该控制方法削弱了滑模控制中存在的抖振影响.其次,为了解决大扰动下控制增益调整过度的问题,通过将鲁棒精确微分器和自适应二阶滑模控制结合,构造复合的路径跟踪控制方法.严格的Lyapunov分析表明横向偏差和航向偏差均在有限时间内稳定到原点.最后,仿真结果验证了本文设计的制导方法能够保证农用拖拉机快速且稳定地跟踪上任意弯曲的参考路径.     

Jointly beam stealing attackers detection and localization without training: an image processing viewpoint

Recently revealed beam stealing attacks could greatly threaten the security and privacy of IEEE 802.11ad communications. The premise to restore normal network service is detecting and locating beam stealing attackers without their cooperation. Current consistency-based methods are only valid for one single attacker and are parameter-sensitive. From the viewpoint of image processing, this paper proposes an algorithm to jointly detect and locate multiple beam stealing attackers based on RSSI (Received Signal Strength Indicator) map without the training process involved in deep learning-based solutions. Firstly, an RSSI map is constructed based on interpolating the raw RSSI data for enabling high-resolution localization while reducing monitoring cost. Secondly, three image processing steps, including edge detection and segmentation, are conducted on the constructed RSSI map to detect and locate multiple attackers without any prior knowledge about the attackers. To evaluate our proposal’s performance, a series of experiments are conducted based on the collected data. Experimental results have shown that in typical parameter settings, our algorithm’s positioning error does not exceed 0.41 m with a detection rate no less than 91%.     

VIS+AI: integrating visualization with artificial intelligence for efficient data analysis

Visualization and artificial intelligence (AI) are well-applied approaches to data analysis. On one hand, visualization can facilitate humans in data understanding through intuitive visual representation and interactive exploration. On the other hand, AI is able to learn from data and implement bulky tasks for humans. In complex data analysis scenarios, like epidemic traceability and city planning, humans need to understand large-scale data and make decisions, which requires complementing the strengths of both visualization and AI. Existing studies have introduced AI-assisted visualization as AI4VIS and visualization-assisted AI as VIS4AI. However, how can AI and visualization complement each other and be integrated into data analysis processes are still missing. In this paper, we define three integration levels of visualization and AI. The highest integration level is described as the framework of VIS+AI, which allows AI to learn human intelligence from interactions and communicate with humans through visual interfaces. We also summarize future directions of VIS+AI to inspire related studies.