基于一种新的目标识别的边缘爬行算法

针对机器人目标识别的实时性、快速性和鲁棒性特点,依据物体边缘大部分区域的方向缓变原理,提出了一种基于记忆的边缘爬行改进算法.爬行搜索方法的一个明显缺点是"爬虫"容易掉进"陷阱",即围绕某个局部小区域重复爬行.记忆搜索方法则有效克服了爬行搜索方法容易掉进"局部陷阱"的不足.在边缘爬行的同时,通过标号将颜色相近的不同物体分割出来.实验结果表明,与传统方法比较,该方法的边缘线更加完整、清晰,而且缩短了处理图像的时间,使目标识别的实时性和鲁棒性得到了优化.     

基于异构融合特征的深度强化学习自动驾驶决策方法

在自动驾驶决策方法中,传统模块化方法受限制于数据集的广泛性,基于强化学习的方法难以在高输入维度且动作空间连续的情况下有效学习。为了解决上述问题,提出了一种基于异构融合特征的深度强化学习自动驾驶决策方法,首先使用适量驾驶数据预训练图像降维网络,然后将降维后得到的图像特征和车辆状态特征进行异构融合作为强化学习的输入,采用深度确定性策略梯度（Deep Deterministic Policy Gradient,DDPG）强化学习框架,通过为自动驾驶量身定制的综合了速度、方向盘角度、车辆位置、碰撞等信息的奖励函数有效引导学习,结合经验池回放技术和目标网络技术提高训练收敛速度。所提方法有效缩短了训练时间,并可在复杂城市环境下保持较高的稳定性与鲁棒性。     

新媒体互动平台设计与实现

本文以北京电视台新媒体现场互动系统为案例,详细介绍了电视台报名、投票、抽奖为基础的互动方案设计思路和技术方案,并结合当下热门的Wi-Fi等技术,为互联网化下的电视台互动系统建设提供了一种新型的建设思路.     

基于知识库和信息化的高可靠电子组件物料预处理管控技术

针对高可靠电子产品板级电路组件物料在使用过程中需要预处理的需求,结合当前物料预处理管控中存在效率低、精准度差等问题,提出了将工艺要求与信息化系统相结合的物料预处理管控方法,通过构建物料知识库,实现了基于知识库的物料预处理管控,有效解决了管控过程中存在的易出错、效率低、难追溯等问题,提高了物料预处理的效率和精准度,有效提...     

基于新的图优化方法的拓扑地图创建

在机器人同时定位与地图构建（simultaneous localization and mapping,SLAM）过程中,图优化方法如捆绑约束（Bundle Adjustment,BA）通过对位姿误差的分布进行迭代优化同步提升机器人位姿和地图的准确性,但优化的过程需要较大的计算量。与度量地图相比,拓扑地图因其简洁的环境表示更加适用于大范围环境的自主导航。论文针对拓扑地图在线创建过程中的闭环检测问题提出一种新的图优化方法,该方法只采用里程计航迹推算信息,引入机械臂逆向运动学模型减小位姿跟踪和地图创建误差,并使用模拟退火算法实现变步长快速迭代。实验结果表明该方法具有如下优点：采用间断性运作模式,只是在拓扑节点位置进行图优化操作,适用于计算能力较弱的机器人建图应用;只利用节点间的相互位置关系完成闭环检测,如在此基础上增加场景匹配信息将极大提高地图创建的准确性。     

移动感知网的快速自展开算法

讨论了移动感知网中的节点自展开问题,基于人工势场法,利用每个节点与其邻居节点之间的虚拟排斥力作用．提出了一种移动感知节点的自展开算法．仿真实验表明,该算法能使节点快速扩展到整个感知区域,同时每个节点所移动的路径很短．     

ENIG焊点微观组织与失效模式关系研究

无铅有铅混装焊点可靠性问题是军工电子需面对的一个重要问题。随着板级电路组装密度的增大,化学镍金（ENIG）镀层工艺以其平整性好和可焊性好等优势而逐步地取代传统锡铅热风整平工艺。但无铅有铅/ENIG焊点的界面形貌、微观组织与可靠性的相互关系待进一步研究。从焊点界面微观组织、剪切强度、温度循环试验和振动试验等多个方面比较了Sn基焊料在ENIG焊盘和Cu焊盘上的差异,并结合实际案例分析ENIG焊点微观组织结构与Sn基焊料在ENIG焊盘上的脆性界面开裂、非典型黑盘故障和柯肯达尔空洞等多种失效模式的关联关系。     

动态条件模仿学习自动驾驶算法研究

针对自动驾驶领域当前条件模仿学习模型在动态环境下表现较差的问题,提出了一种使用LSTM网络融合历史视觉信息的动态条件模仿学习模型DCIL(Dynamic Conditional Imitation Learning)。首先DCIL通过残差网络Resnet34进行环境感知得到图像特征,再将连续的4帧历史图像特征通过LSTM网络进行特征融合,得到动态环境的特征向量。针对不同的导航条件,使用不同的决策网络预测车辆速度和方向盘角度;最后使用比例积分控制模型控制车速。在自动驾驶仿真平台CARLA上的测试结果表明DCIL与经典模仿学习方法相比,自动驾驶水平大幅提高,动态环境下避障能力显著增强。     

基于混合蒙特卡罗箱方法的移动感知网节点定位方法

通过将机器人领域的蒙特卡罗定位方法(Monte-Carlo localization,MCL)引入到移动感知网的节点定位,提出了一种混合蒙特卡罗箱方法(mixture Monte-Carlo Box,Mixture-MCB).该方法采用混合采样的方式提高采样的成功率,有效地解决了传统蒙特卡罗方法的粒子耗散问题.与其他现有方法相比,该方法不仅计算简单,定位精度高,而且对于环境参数的改变具有较强的鲁棒性,因此适用于由计算能力较弱的节点构成的大规模移动感知网.仿真实验对算法的计算复杂度、定位精度和鲁棒性进行了分析并与其他方法进行了比较,结果表明,该方法是可行而有效的.