改进概率路标图算法

为解决传统概率路标图算法(probabilistic roadmap,PRM)学习阶段路线图R(N,E)中路线图边集E较为复杂和查询阶段生成的路径转折次数较多的问题,提出边集优化方法并引入道格拉斯-普克算法.在学习阶段,通过对随机点进行约束,减少路线图中集合E的大小,减少查询阶段的计算量.在查询阶段,通过对搜索到的无碰撞路径节点进行峰值节点提取,有效去除冗余节点.实例仿真结果表明,改进PRM算法比标准的PRM算法具有更高的求解效率和更少的路径节点数目.     

基于DeepLabV3+的远距离目标语义分割模型

针对复杂环境下远距离目标在语义分割时易出现的边界模糊、断裂及目标丢失等问题,基于DeepLabV3+网络提出了一种结合边界信息的语义分割模型.该模型采用改进的Darknet-53网络代替原DeepLabV3+特征提取网络以加快模型运行速度,并设计了一种特征融合模块作为低层特征用于解码阶段恢复细节信息,为了进一步优化目标...