hAPF-ACO:广义障碍环境下的移动机器人路径规划算法

研究了移动机器人的路径规划问题。针对二值栅格建模法不能完整和真实反映复杂环境地理特征的问题,并考虑到移动机器人任务执行过程中存在破障工况,提出了广义障碍的定义,进而对广义障碍进行了分类,并给出了各种广义障碍的模糊隶属度函数,建立了广义障碍环境栅格地图模型。基于人工势场(APF)算法和蚁群优化(ACO)算法各自的特点,提出了一种求解广义障碍环境下移动机器人路径规划的混合APF算法和ACO算法的h APF-ACO算法。通过对案例的路径规划仿真实验,验证了广义障碍环境下路径规划问题的研究意义;与基本蚁群算法求解结果的对比表明,所提出的h APF-ACO算法在收敛性、解质量及鲁棒性等各方面具有明显的优越性。     

基于稀疏自编码的无监督图像哈希算法

哈希方法因快速及低内存的特点广泛应用于大规模图像检索中,但在哈希函数构造过程中对数据稀疏性缺乏研究。为此,提出一种无监督稀疏自编码的图像哈希算法。在哈希函数的学习过程中加入稀疏构造过程和自动编码器,利用稀疏自编码的KL差异对哈希码进行稀疏约束,以增强局部保持映射过程中的判别性。在CIFAR-10数据集和YouTube Faces数据集上进行实验,结果表明,该算法平均准确率优于DH算法。