基于特征编码和动态路由优化的视觉定位方法

针对视角变化、光照变化、大尺度和动态物体等复杂场景下，移动机器人定位的准确性低、鲁棒性差等问题，提出基于特征编码和动态路由优化的视觉定位方法。首先，引入基于残差网络的特征编码策略，提取图像的几何特征和语义特征，减少图像噪声信息，加快模型的收敛速度；其次，通过熵密度峰值优化网络的动态路由机制，采用向量表示特征之间的空间位置关系，提升图像特征提取和表达能力，优化网络整体性能；最后，融合优化后的特征编码和动态路由网络，将全局特征描述符和特征向量相结合，保留特征间的差异性和关联性，计算图像特征的相似性用于闭环检测。实验结果表明，相比基于VGG、AlexNet、BoVW及GIST的视觉定位方法，所提方法的准确率分别提高了24.54%、23.06%,43.81%和42.69%，实现了复杂场景下移动机器人闭环检测，提高了定位和建图的准确性和鲁棒性。     

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。     

基于深度学习与运动状态识别的车辆惯性导航方法

微机电惯性测量单元（MEMS IMU）因成本低、体积小以及功耗低等优势受到广泛关注,但由于MEMS IMU误差大且复杂,基于MEMS IMU的捷联惯性导航系统精度还远远不能满足移动机器人、无人驾驶等各个领域的广泛需求。针对此问题,提出了一种基于深度学习与运动状态识别的车辆导航方法。首先,针对MEMS IMU误差具有非线性、时变性的特点,基于改进后的膨胀卷积网络对MEMS IMU陀螺仪漂移进行标定补偿。其次,利用时间卷积神经网络动态检测车辆的运动状态,并将特定运动状态的约束信息作为观测量,基于不变扩展卡尔曼滤波进行信息融合。所提出方法在公开数据集进行了验证,与未对陀螺误差进行标定补偿的基于深度学习的运动状态检测与约束方法进行了比较,所提出方法将车辆水平位置的绝对轨迹误差和相对轨迹误差平均值分别降低了30.9%和24.7%,证明了所提出方法的有效性。     

卷积神经网络在装备磨损颗粒识别中的研究综述

铁谱法是用于装备故障诊断的1种重要方法,其中铁谱法的重点是铁谱图像的分析,即磨损磨粒分析. 卷积神经网络是当下最流行的深度学习算法之一,其广泛应用于图像识别领域,使得图像识别领域得到突破. 随着卷积神经网络的快速发展,磨损颗粒在智能识别方面的技术取得了重大的突破. 本文中首先简述了卷积神经网络与磨粒智能识别的发展历史,针对基于卷积神经网络的磨粒识别方法进行了从图像数据集处理到模型优化技术方面的介绍,并详细说明了这些技术在磨粒识别中的具体应用实例. 然后从现有网络和自设计网络两方面分类,整理了近年来卷积神经网络应用于磨粒智能识别的代表性文献,综述了这些工作所提出的模型结构和特点,分析并阐述了各个模型主要的识别原理,各个网络结构存在的优缺点,以及它们的数据采用情况等,并对未来磨粒智能识别的主要研究方向进行了展望. 最后肯定了卷积神经网络方法在磨粒智能识别方面的重要性,同时指出了基于此方法的磨粒识别模型的缺点,并提出了应紧跟图像识别领域的最新技术以促进磨粒智能识别水平提高等建议,对磨粒智能识别的发展具有一定的意义.      

基于卷积特征的光纤缺陷检测方法

针对人工难以实现熊猫型保偏光纤的缺陷检测问题,提出了一种小样本下基于卷积特征的图像检测方法。首先针对光纤缺陷特征将Inception V3模型微调,使用微调后模型提取光纤的2048维卷积特征;其次使用主元分析法将2048维特征降为74维;最后使用降维后的特征训练支持向量机分类器,同时使用粒子群算法对分类器参数寻优,实现对光纤缺陷的识别与分类。经实验证明,该方法对光纤涂覆层微小缺陷的识别率达到97%,涂覆层局部损伤和严重破损的识别率达到100%,对降低光纤环绕制中原纤损失、提升光纤环的精密性、研究光纤缺陷对光纤陀螺精度的影响有一定意义。     

无网格法驱动径向基函数前置卷积神经网络

卷积神经网络通过卷积核的移动加权提取样本点的局部特征，而无网格法基于节点信息构造具有核近似特点的形函数进行离散建模，两者的内在相似性为采用卷积神经网络加速无网格计算过程提供了有利条件．但是基于传统卷积神经网络的改进无网格法包含较为繁琐耗时的非线性参数求解．为了克服这一问题，本文充分利用无网格法能够灵活构建数据样本的优点，提出了一种径向基函数前置卷积神经网络模型．该网络通过径向基函数的前置，提前激活输入数据，实现了非线性变换和数据特征维度跃升，随后再将数据传入传统卷积层得到输出．由于所提网络模型具备线性求解的特点，能够有效提升预测精度与计算效率．在数值算例中，通过对比无网格法直接计算结果、传统卷积神经网络和所提的径向基函数前置卷积神经网络预测结果，系统验证了所提网络模型的有效性．     

一种改进RANSAC校验的失效卫星位姿估计回环检测方法

为解决失效卫星位姿估计中视觉SLAM方法回环检测效果差的问题,结合空间特殊的应用环境,提出一种改进RANSAC校验的空间失效卫星位姿估计回环检测方法。首先利用深度学习提取图像的全局特征和局部特征;然后对全局特征进行快速检索,建立回环候选帧集合;最后,将图像网格化并提取优质特征点作为RANSAC算法的随机抽样点集,采用改进的RANSAC算法对回环候选帧集合进行图像匹配校验,挑选出匹配程度最高的作为回环检测结果。实验表明：在牛津数据集上,所提方法与无校验的方法对比,100%准确率下的最大召回率提升了30.6%,说明改进RANSAC校验在回环检测中的有效性;在失效卫星数据集上,所提方法无需预训练,对光照变化的空间场景具有高适应性,和基于词袋模型（BoW）算法相比,缩减时间24.1%。     

基于并行卷积神经网络的地磁方向适配性分析

针对地磁方向适配性分析时人工特征提取主观性较强、所取特征难以表达深层的结构性特征的问题,并为了进一步提高方向适配性分析的准确率,提出了一种基于并行卷积神经网络的地磁方向适配性分析方法。首先,从不同角度建立了地磁场在6个代表方向上的适配性分析图;然后,从同一磁场的不同角度出发,利用卷积神经网络自动完成了特征学习,得到了更为全面的方向适配性特征描述;最后,在并行卷积神经网络所得特征的基础上,利用BP网络建立了地磁方向适配性的分析模型。仿真结果证明,该方法可以有效避免人工特征提取和计算等复杂步骤,实现了地磁方向适配性分析的自动化,而且可以获得优于传统网络和单路卷积神经网络的准确率。     

基于深度学习的室内动态场景下的VSLAM方法

当前应用于室内的视觉同时定位和地图构建算法(VSLAM)主要面向静态的环境,算法的定位精度和稳定性会大大受到环境中运动物体的影响。针对这一问题,提出了一种面向室内的动态场景下的VSLAM方法。在ORB-SLAM2架构上进行改进。在相机捕捉图像后,首先利用GCNv2神经网络对图像提取出特征,同时利用轻量级的ESPNetV2神经网络对图像完成语义分割。然后,结合改进的移动一致性检测来确定动态物体,剔除其动态特征获得其静态特征点来完成位姿估计,最终生成含有语义信息的点云地图和八叉树地图。采用TUM数据集验证所提出算法,实验结果表明在高动态场景下绝对轨迹误差的均方根误差平均减少95%,显著提升了在动态场景下的定位精度。     

机载SAR用的GPS/SINS组合导航系统研究

提出了进行SINS姿态校正的四元补偿算法。采用闭环KF（卡尔曼滤波）技术实时校正惯性仪表误差，补偿四元数误差，修正位置，速度误差，GPS／SINS组合导航系统样机的试验结果表明：采用该提出的算法后，组合导航精度较高，在组合导航过程中若去掉GPS信息，短时间内纯SINS的导航精度很高，能够满足SAR对运动补偿精度的要求，待恢复GPS信息后，组合导航系统继续正常工作。