一种基于障碍物登陆点检测的全局路径规划算法

地图栅格化是机器人路径规划的常用方法,但地图规模的扩大会造成搜索栅格数量呈指数级增长,使得算法效率大幅下降。针对这一问题,提出了一种基于障碍物登陆点检测的全局路径规划算法。依据障碍物的分布特点,通过计算障碍物映射角寻找登陆点,并在障碍物边缘区域建立赋权图,缩小结点搜索范围,避免大规模搜索栅格结点;然后,依据赋权图特点对Dijkstra算法进行改进,利用改进的Dijkstra搜索全局最短路径。分别将所提的算法与传统A*算法及其变体JPS算法进行实验对比,结果表明,所提算法比传统A*算法以及JPS算法规划路径略短,搜索速度更快,尤其在走廊等障碍物块较少的大规模地图中,搜索时间仅为A*算法的1/8,JPS算法的1/3。     

基于栅格法的室内指示路径规划算法

随着导航的应用场景日趋复杂,对利用室内地图的全局路径规划提出更高的要求。为提高全局路径规划算法效率,提出一种指示路径规划算法。首先运用栅格法对已知地图进行建模,然后在算法中引入方向向量引导路径方向,接着多次执行并通过奖励与惩罚措施来将关联矩阵与路径质量形成正反馈机制,并采用路径优化策略,最终得到一条较好质量的结果路径。仿真结果表明,较A*算法而言,指示路径规划算法在时间上减少49%,并且在较复杂的栅格地图中,其路径长度缩短了17%。     

室内复杂环境下多旋翼无人机动态路径规划

针对多旋翼无人机在室内复杂环境下的动态路径规划问题,提出了一种基于高度降维空间环境模型的无记忆回归A~*算法。首先,提出了一种高度降维的空间环境建模方法,将三维空间降到二维,降低了环境模型的复杂度,提高了规划效率。在环境建模的基础上,提出了以全局路径规划结果为基础进行局部动态搜索的思路,并设计了无记忆回归A~*算法,即首先使用传统A~*算法进行全局路径规划,参考全局规划结果,利用无记忆回归A~*算法对动态障碍物进行避障,避障完成后回归到全局规划路径上。最后利用仿真实验验证了所提方法的有效性。仿真结果表明,在指定环境下所提方法的路径规划时间和路径规划长度较无记忆A~*算法更短,两项指标分别提升了13.8%和41.6%。     

复杂环境下基于自适应极线约束的AGV视觉SLAM算法

针对传统视觉同步定位与地图构建（SLAM）算法不能有效处理复杂环境中的动态及潜在动态目标而影响定位与建图性能的问题,提出一种基于Mask R-CNN神经网络以及ORB-SLAM3算法改进的视觉SLAM方法。针对动态目标,提出一种基于语义信息的运动一致性检验算法,使用自适应阈值的极线约束方法实现图像中动态特征点的精确剔除;针对潜在动态目标,提出一种改进的长期数据关联方法,通过增大关键帧选取密度及优化关键帧中的潜在动态目标信息,对算法的回环优化和地图融合过程进行改进,提高回环优化效果与地图复用性。在TUM数据集和真实场景中进行验证,实验结果表明与ORB-SLAM3算法相比,采用TUM数据集在低动态场景和高动态场景中的绝对轨迹均方根误差分别减小8.5%和65.6%;在真实场景下测试,所提算法的定位精度提高了62.5%。     

通信受限条件下多无人机协同环境覆盖路径规划

多无人机协同覆盖旨在有效分配多个无人机任务,实现给定区域的快速、高效全覆盖。然而,在现实应用场景中常常因为无人机之间距离超出通信范围,信号传输受阻,导致无人机之间的协作和信息交互面临极大挑战。为此,提出一种基于Deep Q Networks(DQN)的多无人机路径规划方法。采用通信中断率和最大通信中断时间两个指标来评价路径质量,通过构建与指标相关的奖励函数,实现了无人机团队的自主路径决策。仿真实验表明,所提方法在最短路径上可以与传统优化算法效果保持一致,权衡路径下在增加20%路径长度的情况下可以降低80%通信中断率,在全通信路径下则可以实现100%的全过程连接通信,因此可以根据不同的通信环境生成高效覆盖所有环境节点的路径。     

基于改进强化学习的移动机器人路径规划方法

随着移动机器人在各领域的应用与发展,对移动机器人路径规划能力提出了更高的要求。为了解决现有移动机器人利用强化学习方法进行路径规划时存在的收敛速度慢和规划出路径平滑度较差的问题,提出了一种改进的Q-learning算法。首先,在Q值初始化的过程中引入人工势场法中的引力势场,以加快收敛速度。然后,调整移动机器人动作方向,增加动作步长,并在状态集中增加了方向因素,以提高规划路线的精度。最后,在栅格地图中,对所提出的算法进行了仿真验证。仿真结果表明,改进后的算法较传统的Q-learning算法在路径规划的时间上减少了91%,并且规划出路径的平滑度提高了79%。     

基于改进强化学习的移动机器人动态避障方法

针对未知环境下移动机器人动态避障存在规划轨迹长、行驶速度慢和鲁棒性差等问题,提出一种基于改进强化学习的移动机器人动态避障方法。移动机器人根据自身速度、目标位置和激光雷达信息直接得到动作信号,实现端到端的控制。基于距离梯度引导和角度梯度引导促使移动机器人向终点方向优化,加快算法的收敛速度;结合卷积神经网络从多维观测数据中提取高质量特征,提升策略训练效果。仿真试验结果表明,在多动态障碍物环境下,所提方法的训练速度提升40%、轨迹长度缩短2.69%以上、平均线速度增加11.87%以上,与现有主流避障方法相比,具有规划轨迹短、行驶速度快、性能稳定等优点,能够实现移动机器人在多障碍物环境下平稳避障。     

基于骨架提取和启发式算法的路径规划方法

针对农业机器人在大棚中执行搬运任务时的高效率且尽可能沿地图中心行驶的需求,提出一种基于骨架提取和启发式算法的路径规划方法。首先设计了自适应阈值的地图骨架路径关键点提取步骤,用关键点指导启发式搜索树的构建。然后采用膨胀RS曲线代替直线进行树的生长,保证机器人的运动学约束和防碰撞,同时提出一种混合碰撞检测方法,进一步提高算法效率。最后设计关键点扩展步骤,提高算法的鲁棒性。仿真结果表明,简单地图下,本算法效率约是RRT*-Connect算法的5倍、Hybrid A*算法的7倍,复杂地图下约是RRT*-Connect算法的300倍、Hybrid A*算法的9倍,能够满足机器人的运动学约束。     

基于点线视觉/惯性SLAM和目标检测的测距方法

针对无人平台在未知环境中自身定位和对远距离目标测距精度不高的问题，利用单目相机和惯性器件组成视觉/惯性导航定位系统，结合目标检测提出“动态基线+三角测距”方法实现自身定位和对目标测距。首先，建立基于点线融合的视觉/惯性系统模型，提高系统自身定位精度，给出运动前后相对位姿变化；其次，利用目标检测算法对目标进行检测和识别，得到运动前后物体对于图像平面的视差；最后，通过三角测距实现对目标的高精度测距。公共数据集实验测试结果表明，引入线特征的视觉/惯性系统的平均定位均方根误差（RMSE）为0.15 m。无人平台搭载系统对目标进行测距实验表明，系统在100 m以内对目标测距的误差小于测距距离的2%。     

基于LSTM-GAN的无人机飞行数据异常检测算法

飞行数据的异常检测是保障无人机飞行安全的关键。为了提升异常检测的准确率,以更好地构建无人机飞行数据正常样本的数据模式,提出了一种基于长短时记忆网络（LSTM）和生成对抗网络（GAN）的异常检测算法。设计了由生成网络、判别网络和重构网络组成的循环学习网络,同时为了避免网络学习产生梯度爆炸的风险,设计了一种由两个判别损失函数与一个重构损失函数相结合的目标损失函数。实验结果表明,LSTM-GAN异常检测算法均优于K-means、单类支持向量机、LSTM和Auto-Encoder算法的异常检测性能。LSTM-GAN比LSTM异常检测的准确率提高2.2%。     

基于ESGA遗传算法的水射流自驱旋转喷头优化设计

超高压水射流自驱旋转型喷头是目前广泛应用于船壁除锈的一种装置,其布局方式直接影响船壁除锈的效率和质量,目前喷头布局多依赖工程经验,缺少准确的理论分析和优化技术支持。针对水射流自驱旋转型喷头的布局优化问题,在传统遗传算法（genetic algorithm,GA）的基础上,提出一种基于“锦标赛选择”的精英策略遗传算法（elitist strategy genetic algorithm,ESGA）,该算法通过采用种群进化过程中精英个体直接保留到下一代的进化策略,从而有效提高算法的全局收敛能力和算法的鲁棒性。结合旋转喷头扫掠冲击性能和轨迹特征,以喷头移动路径垂直打击面上的能量分布均匀度为衡量标准,建立超高压水射流自驱旋转型喷头的螺旋扫掠冲击离散化时间优化模型,并分别利用两种遗传算法对其进行优化改进。对一字形水射流自驱旋转型喷头的布局优化研究发现,经ESGA算法优化的旋转喷头,其扫掠冲击能量分布均匀度较原喷头布局提升了47.2%,其收敛精度也高于GA算法。经对ESGA算法优化后的喷头实验验证发现,ESGA优化方案较原设计方案除锈效率提高了42.0%。改进的ESGA优化算法可行性强,能够在收敛...     

室内惯性/视觉组合导航地面图像分割算法

导航技术是机器人实现自主移动的关键技术之一。针对惯性导航创建全局导航地图困难等问题,提出一种新的惯性/视觉组合导航室内全局地图创建方法。规定机器人只能在地面区域中移动,并利用室内俯视图像建立全局地图,提出一种俯视图像地面区域的自动分割算法。首先,利用主元分析算法对图像的局部颜色特征进行降维;其次,利用聚类算法对地面区域进行自动分割;最后,建立了室内俯视图像数据库并对算法的性能进行了验证。由于第四组图像中包含反光区域,算法的分割结果较差,平均正确分辨率为75%。算法在其他各组的平均正确分割率为85%左右。为提高算法的性能,可在应用本算法前利用反光区域检测算法对图像进行预处理。     

面向任务的无人机照相侦察航迹规划算法

针对当前无人机照相侦察获取的影像数据很难满足后端情报处理要求的问题,提出了一种面向任务的无人机照相侦察航迹规划算法。首先基于情报处理的航迹预规划,结合无人机情报处理和航迹规划的耦合关系来完成航迹参数的解算。然后提出η形转弯策略,在最小转弯半径约束下,以最小路径代价完成相邻航带间的转弯航迹规划。最后确定侦察区域内的照相序列,来实现区域全覆盖侦察。实验结果表明,较常规U形转弯策略而言,算法路径代价降低了15%左右。     

基于DFI一体化网络的水下抗干扰目标跟踪方法

由于水下环境的特殊性，水下机器人容易受水流、可见光反射、遮挡等复杂水下环境影响，从而干扰目标检测器的性能，进而使跟踪算法效果下降，影响跟踪效果。针对这一问题，提出了一种基于目标检测特征提取一体化网络（DFI Network）的水下抗干扰目标跟踪方法。在传统YOLOv3检测网络基础上，设计了特征提取网络，通过卷积和最大池化运算，输出目标特征信息，并将状态向量维度扩充为10维，同时针对扩维状态向量，构造了扩维滤波器，进而通过后续匹配、跟踪控制等步骤，实现了水下机器人在干扰环境下的目标跟踪。使用标注的水下目标跟踪数据集对所提算法进行测试，并与YOLOv3算法进行对比验证。测试结果表明，与原版YOLOv3算法对比，所提出的算法以2FPS的较小帧率损失，将跟踪精度提高了30%以上。     

基于GPS的先验地图辅助视觉惯性定位方法

为提高视觉惯性导航系统定位精度，解决其航向缺失且无法提供绝对地理位置的问题，提出一种利用GPS生成先验地图来辅助视觉惯性同时定位与地图构建(SLAM)方法。将每一帧图像采集点的GPS地理坐标投影成绝对高斯坐标，与视觉关键帧信息同步，构建先验地图。利用词袋模型进行闭环检测，由视觉重投影误差因子、IMU残差因子、先验图像重投影误差因子共同构建目标优化函数，基于最小二乘法进行位姿估计与优化。通过地面车载和低空机载实验对该方法进行了验证，实验结果表明：相比于无先验地图的定位方法，x、y、z方向的平均定位误差分别降低了68.2%、75.1%、46.4%以上；相比于有先验地图(未融合GPS)的定位方法，x、y、z方向的平均定位误差分别降低34.9%、51.5%、19.4%以上，有效提高了视觉惯性导航系统在大范围环境中的定位精度。     

基于低成本组合导航定位系统的新融合滤波算法

设计了一种可用于地面交通工具或机器人的低成本组合导航定位系统，提出了基于该系统的新信息融合方法，将模糊卡尔曼滤波算法和地图匹配技术联合起来。仿真结果表明：模糊卡尔曼滤波算法相当于一数据平滑处理窗口，具有比常规卡尔曼滤波算法更高的精度。     

室内动态场景下基于深度相机的VSLAM方法

针对室内动态场景下的视觉同步定位与地图构建（VSLAM）问题，提出了一种基于YOLACT实例分割融合光流约束的视觉同步定位与地图构建方法，以降低运动物体对VSLAM系统性能影响。该系统通过自适应阈值的方法提取到均匀分布的ORB特征点，然后利用YOLACT实例分割网络获取动态对象的掩膜，同时使用改进的光流约束对动态点进行检测。将动态点与动态对象掩膜进行匹配之后可以删除动态物体的特征点，之后使用剩余的静态特征点完成相机的位姿估计。最后使用静态区域的图像信息生成点云图，并通过滤波器对点云图进一步优化，同时引用八叉树存储点云，建立八叉树地图。在TUM数据集室内动态场景和真实室内动态场景下进行测试，相较于ORB-SLAM3算法，所提VSLAM算法在低动态场景中的定位精度有10%以上的提升，在高动态场景中对比DS-SLAM算法，也有5%左右的定位精度提升，验证了所提方法在室内动态场景下的可行性和有效性。     

旋转短基线北斗双天线/MIMU定向方法

针对无人运载器的定向需求,提出一种旋转短基线北斗双天线/MIMU定向方法。首先,介绍了自主研制的旋转短基线北斗双天线/MIMU组合系统的硬件构成,该系统主要由旋转机构、北斗双天线、MIMU、导航计算机等组成。然后,给出了旋转MIMU定向算法、北斗双天线/MIMU组合系统扩展卡尔曼滤波方程和观测方程,以及组合系统定向解算步骤。该系统以北斗天线接收机的速度、位置和北斗卫星原始信息作为卡尔曼滤波器的观测量,经数据融合后解算出航向角和姿态角。最后,进行了室外动态和船载试验,以及双天线基线长度变化试验。试验结果表明:当基线长度为0.3 m时,该组合系统航向角误差小于1°,水平姿态角误差小于0.2°。     

室内环境下基于边际约束的快速路径自主探索算法

为了提高移动机器人在室内未知环境的自主探索能力,实现移动机器人在探索目标点之间的安全、快速移动,提出一种基于边际约束的快速路径自主探索算法。首先,将机器人自主探索问题描述为部分可观测马尔可夫决策过程模型。之后,在传统的快速扩展随机树(RRT)算法基础上,将随机树的生长空间划分为边际四象限空间,结合启发式评估函数的评价。该算法加快了移动机器人在探索目标点之间的移动速度,同时减少了随机树的节点,降低了对内存空间的占用。通过Matlab仿真实验,在实验设定的仿真环境中,该算法比传统RRT算法在时间上缩短约了75%,节点数量减少了约80%,并在机器人操作系统的仿真实验中验证了算法的实用性。     

基于道路信息的智能地图匹配算法

针对军用车辆长时间、长距离高精度自主导航需求,提出了一种基于道路信息的智能地图匹配算法。传统地图匹配算法在单独使用时,都会存在一些不足之处。智能地图匹配算法比较不同算法的优缺点,选择三种特点鲜明、互补性强的地图匹配算法作为基础算法,以惯性导航系统提供的导航信息为基础,对车辆正在行驶的道路进行识别和判断,根据道路构成情况自动选择合适的算法,完成地图匹配;并结合车辆行驶的航向和速度信息选择椭圆形道路搜索区域。试验车进行5 h约240 km跑车试验,地图匹配定位精度约为10.33 m(CEP)。试验结果证明该算法能够适应不同的道路状况,有效抑制惯性导航误差发散。