生成对抗网络研究综述

生成对抗网络(GAN)是一种基于深度学习的强大生成模型,目前广泛应用于计算机视觉、自然语言处理、半监督学习等领域,并取得了显著的成果。随后研究人员通过对GAN的生成器、判别器做结构上的改进或对目标函数等进行优化,提出了更多种的GAN。首先介绍GAN的研究进展和基本思想,其次对一些经典的GAN,如深度卷积生成对抗网络(DCGAN)、条件生成对抗网络(CGAN)、WGAN和超分辨率生成对抗网络(SRGAN)等进行综述,最后对GAN的相关工作进行总结与展望。     

面向火箭子级精确回收的翼伞最优航迹规划算法研究

翼伞是实现运载火箭子级精确回收的一种新的重要手段,针对翼伞在火箭子级回收中易受风场影响、落点误差大的问题,提出了一种基于天牛群算法的翼伞最优航迹规划算法。根据翼伞和某型火箭一子级组合体的动力学和运动学方程建立六自由度模型,并分析火箭一子级归航过程中不同转弯下偏量对前向速度、垂直速度及翼伞航迹规划的影响。在此基础上,将翼伞一子级组合体盘旋削高段的盘旋圈数、盘旋半径和方位角作为寻优参数,应用天牛群算法对组合体进行最优航迹规划,将平均风的影响转换为目标点的飘移,最终获得一条综合考虑能量以及落点精确度的归航航迹。仿真结果表明,所提出的基于天牛群算法的火箭一子级翼伞回收分段最优航迹规划算法收敛速度快,航迹落点精度高。     

基于激光雷达的点云数据处理研究

激光雷达技术目前已经在商业中得到了广泛的运用,通过激光雷达技术对点云数据处理系统的研究也有了长足的发展。由于激光雷达数据扫描所获取的是大量的离散化三维数据信息,这些以坐标来记录的数据被称为点云数据。点云是表示实际物体三维信息的统计无序数集,包含物体的三维坐标值、颜色值和灰度值。使用激光雷达的信息采集处理系统采集数据时,由于会受到外界的干扰因素（如光线反射、阴影环境）、扫描精度、物品机械振动的负面影响,采集到的点云数据存在着很大的噪声和孔洞。这些点云空间密度相差较大,使得分析结果不能直接描绘实际物体的模型。对于上述存在的漏洞,设计了一种基于激光雷达的点云数据的处理算法,实现对点云数据处理的简化、过滤、检索以及可视化。