复杂环境下多机器人协同覆盖搜索路径规划

为提高复杂环境下多机器人协同搜索的覆盖效率及适应性,提出一种多机器人协同覆盖搜索路径规划策略。首先,在目标区域中利用协同进化粒子群优化(CCPSO2)算法进行传感器位置部署;其次,利用改进的K-means方法对传感器部署点进行聚类,实现有效的任务区域划分;最后,以部署的传感器位置为路径点求解旅行商问题(TSP),获取每个机器人的封闭路径,从而实现协同覆盖搜索。实验结果表明,所提算法能够在保证良好避障和覆盖周期最小化的同时,为每个机器人获得更均匀的覆盖路径,实现多机器人的有效协同覆盖搜索,且能够有效适应外部复杂环境,具有良好的鲁棒性。     

基于雷达传感器和改进深度学习的无人机目标检测方法

针对当前无人机目标检测技术精确度低、受环境影响大的缺点,依托运动相机与激光雷达设备,提出了基于改进深度学习的无人机目标检测方法：在深度图像网络架构的基础上,引入残差网络提升算法精度,利用MobileNet加速深度学习的过程,从而利用改进的RetinaNet算法实现无人机精确目标识别与定位;针对点云数据无法通过二维投影准确计算距离的问题,提出通过直方图网络精确估计检测目标的视觉距离。实验结果表明,在不同的复杂环境条件下,与Faster R-CNN相比,所提方法检测精度更高、使用场景更广、运算速度更快,平均精度比Faster R-CNN算法高出1.5%。