基于响应时间的混合关键级系统弱约束调度策略研究

现有的混合关键级系统调度策略如AMC、SMC等大多以牺牲低关键级任务的方式保证高关键级任务的执行,不符合实际工业设计且破坏数据完整性。对此建立一种新的混合多关键级任务模型,基于响应时间分析提出两种调度策略:AMC-we-x和AMC-we-max-x。线下估计任务集在这两种调度策略下的可调度比率,与已有的混合多关键系统调度策略AMC-arb-x、AMC-max-x进行比较。结果表明,提出的两个调度策略在一定程度上能够实现调度低关键级任务的积极调度,可以通过改变弱约束模式参数调整任务的服务水平。     

基于信息物理融合的骨折复位机器人系统构建

针对骨折治疗中传统复位方法（手法复位、牵引复位、手术复位）存在的二次损伤、肌能失调、患肢僵硬、破坏血运及术后矫正动态性能差等问题,提出了一种人-机-物融合的信息物理系统（CPHS）用于指导机器人的复位动作。首先,从CPHS的数字孪生、信息感知、系统集成、手术流程、模拟复位等方面论证了并联机器人信息物理系统的构成,将机器人的高定位精度及可重复性与微创方法有效结合,从而指导医生完成仿真规划及术中监控等一系列操作;其次,根据临床骨折复位过程,在机器人操作下对5组不同骨折姿态的模拟骨折病例进行了复位实验;最后,计算出每组实验复位后的移位残余及角度误差,并与传统复位方法的相应数据进行对比。实验结果表明,CPHS骨折复位机器人相较于传统复位方法,在骨折复位过程和患者术后康复上均有着明显的优势。     

基于改进A*算法室内移动机器人路径规划

A*算法常用于二维地图的路径规划,但是在利用其进行室内移动机器人路径规划时,存在过多的冗余点和拐点,造成了内存消耗过大和路径不平滑。针对上述问题,提出了一种改进的A*算法。结合跳跃点搜索理论,利用先验信息,用选取的关键点代替了传统A*算法中Openlist和Closelist的点,减小了计算量,提高了运算速度。运用反向搜索策略,对路径进行二次规划,删除不必要的转折点,降低了路径长度。将路径在转折点处进行动态圆平滑处理,提高了路径的平滑性。为了验证改进A*算法的性能,将其应用于不同尺寸仿真栅格环境地图和处于真实室内环境的机器人中,实验结果表明,在相同环境下,改进算法相较于传统的A*算法,在运行时间、路径长度和平滑程度上均有明显的提高。     

跨模态行人再识别的协同学习方法

跨模态行人再识别是实现全天候智能视频监控系统的一项关键技术。该技术旨在匹配某一特定身份行人在不重叠摄像头场景下的可见光图像和红外图像,因而面临着巨大的类内变化和模态差异。现有方法难以较好地解决这两大困难,很大程度上是由于欠缺了对特征判别能力的有效挖掘和对多源异质信息的充分利用。鉴于以上不足,使用协同学习方法设计了一个精细化多源特征协同网络,提取多种互补性特征进行信息融合,以提升网络的学习能力。从骨干卷积网络中提取多尺度和多层次特征,实现精细化特征协同学习,以增强特征的判别能力来应对类内变化。设计了模态共有与特有特征协同模块和跨模态人体语义自监督模块,达到多源特征协同学习的目的,以提高多源异质图像信息的利用率,进而解决模态差异。在SYSU-MM01和RegDB数据集上验证了该方法的有效性和先进性。     

改进CBAM的轻量级注意力模型

近几年注意力模型在计算机视觉领域取得了广泛的应用,通过在卷积神经网络中加入注意力模型,网络的性能可以显著提升。然而大多数现有的方法都专注于开发更复杂的注意力模型,以使卷积神经网络获得更强的特征表达能力,但这也不可避免地增加了模型的复杂性。为了在性能和复杂度间取得平衡,对CBAM模型进行优化提出了轻量级的EAM（Efficient Attention Module）模型。针对CBAM的通道注意力模块,引入一维卷积替代全连接层来聚合各通道间的信息;对于CBAM的空间注意力模块,将大卷积核替换为空洞卷积来增加感受野以聚合更广的空间上下文信息。将该模型融入YOLOv4后在VOC2012数据集上进行测试,mAP提高3.48个百分点。实验结果表明,该注意力模型只引入较小的参数量,网络性能可获得较大提升。     

基于改进YOLOv3的人体行为检测

针对人体行为检测中相同行为差异大, 不同行为相似度高, 以及视觉角度、遮挡、不能实时检测等问题, 提出Hierarchical Bilinear-YOLOv3人体行为检测网络. 该网络采用YOLOv3在3个不同尺度上进行预测, 抽取YOLOv3金字塔特征提取网络中特定层作为Hierarchical Bilinear的输入, 捕获特征图的层间局部特征关系, 并在3个不同尺度上进行预测, 最后将YOLOv3和Hierarchical Bilinear两种预测结果融合. 实验结果显示, 改进后的模型相比于原网络仅增加了少量参数, 在保证检测效率的同时提高原算法的检测精度, 并在一定程度上优于当前行为检测算法.     

Adaptive Backstepping Sliding Mode Control of Tractor-trailer System with Input Delay Based on RBF Neural Network

In this paper, an adaptive sliding mode neural network(NN) control method is investigated for input delay tractor-trailer system with two degrees of freedom. An uncertain camera-object kinematic tracking error model of a tractor car with n trailers with input delay is proposed. Radial basis function neural networks(RBFNNs) are applied to approximate the unknown functions in the error model. A sliding mode surface with variable structure control is designed by using backstepping method. Then, an adaptive NN sliding mode control method is thus obtained by combining Lyapunov-Krasovskii functionals. The controller realizes the global asymptotic trajectories tracking of the kinematics system. The stability of the closed-loop system is strictly proved by the Lyapunov theory. Matlab simulation results demonstrate the feasibility of the proposed method.

     

基于 KingSCADA 的运动控制状态监测系统

分布式运动控制大量应用于激光装置的自动准直控制组件中,针对大型激光装置运动系统规模大、诊断要求高的特点,独立于运动控制系统之外,基于KingSCADA组态软件构建运动控制状态监测系统,实现控制对象的运行记录归档、故障查询,提升运动控制系统在线诊断分析能力;状态监测系统在大型激光装置自动准直控制组件中得到了应用,实现了电机故障的记录和查询,并通过状态监测系统的历史数据积累,为运动控制系统的智能故障诊断和预测提供了分析数据基础.     

基于改进SSD的道路交通标志检测

针对复杂环境下交通标志检测精度低的问题,设计了一种检测精度更高的目标检测算法,对SSD深度学习目标检测算法进行了优化改进;将深度特征表征能力较强的Resnet50网络模型融入于SSD算法中;采用K-means++聚类算法确定SSD中先验框的尺寸,提高交通标志的检测率;分别利用SSD模型和改进的SSD模型做检测对比实验,结果表明,改进算法对各类型交通标志的检测精度比原SSD算法更高;改进的SSD方法对交通标志进行检测能取得较好效果,弥补了原算法的不足.     

智能农业除草机器人研究现状与趋势分析

智能农业除草机器人融合了环境分析、路径导航、视觉识别和运动控制等多种技术,是应用于精准农业中除草作业的智能机器人系统,作为农业机械化研究的热点备受国内外学者关注;对除草机器人的国内外研究现状进行了梳理,进一步分析了除草机器人的特点与优势;总结了除草机器人系统控制、移动导航和机器视觉等关键技术的研究进展,指出关键技术的发展前景与空间;结合除草机器人的技术研究特点与市场环境分析了其未来发展趋势;针对目前除草机器人存在的问题提出解决思路与研究方法,为除草机器人智能化、自动化和集成化发展研究提供理论参考.