绝对重力测量异常值的局部异常因子检测算法

自主研发绝对重力仪的测量结果中出现的离群程度不同的异常值会直接影响测量结果的准确度和测量精度。目前一般采用的一元正态分布异常值检测算法漏检率高,容易造成测量结果的偏差和测量精度的下降。利用人工智能算法中的局部异常因子异常值检测算法,可以在线、快速、高效地完成自主研发绝对重力测量数据的异常值检测。首先,根据实测数据构建测试数据集,利用数值模拟确定局部异常因子算法邻域宽度参数的取值;然后,基于实测数据进行异常值检测并进行结果评估。评估结果表明,局部异常因子异常值检测算法对离群程度不同、连续出现异常值等情况检测效果明显优于一元正态分布异常值检测算法,组测量精度平均提高9.37μGal,可以作为自主研发绝对重力仪异常值检测的通用算法完成组测量结果的异常值检测。     

基于PSO-HJ算法的多无人机协同航迹规划方法

针对多无人机协同航迹求解计算量大、难以收敛等问题,提出了一种基于粒子群优化和Hook-Jeeves (PSO-HJ)搜索算法相融合的多无人机时间协同三维航迹规划方法。首先,建立了单无人机航迹规划求解模型。然后,通过对适应度评价函数值低的粒子引入Hooke-Jeeves搜索算法,提高了粒子多样性,改善了航迹规划算法收敛性;对不满足约束的粒子引入约束违反度函数,基于比较准则提出了一种新的粒子评价机制,促进粒子搜索位于约束边界的最优解,加快了航迹规划算法的计算效率。最后,设计了一种多无人机时间协同航迹规划求解算法,利用PSO-HJ算法先分别求解单无人机航迹信息,通过多无人机集中航迹规划层协调到达时间实现协同航迹规划。仿真结果表明,PSO-HJ算法的精度比量子粒子群(QPSO)算法精度提高了20.85%,比PSO算法精度提高了58.14%,更适用解决实际复杂的多机协同规划问题。     

基于改进飞蛾扑火算法的无人机低空突防路径规划

针对传统群体智能优化算法在复杂环境下求解无人机突防过程中路径搜索能力不足,易陷入局部最优、搜索时间长等问题,提出了一种基于改进的飞蛾扑火优化算法的无人机智能突防方法.首先,建立基本地形模型、威胁源模型,实现三维等效地形;然后,在飞蛾扑火算法中引入交叉算子和高斯变异算子,引起火焰变异,在迭代前期加快寻优速度,增强算法的全...     

基于改进人工蜂群算法的多无人机灭火任务规划

针对当前多无人机通过投放灭火弹对多处山火进行灭火救援任务规划中,因各点火情的时变而导致规划效率低下的问题,提出了一种多无人机对多火点火场灭火救援任务规划方法。首先,建立了目标价值随时间变化的多无人机任务规划模型,可实现根据指挥者的决策意图来进行合理救援。然后,根据模型提出了一种基于整数编码的改进人工蜂群算法,利用该算法求解各无人机的救援序列可以提高无人机救援效率。最后根据救援序列及预先规划的可飞路径生成各无人机的救援路径。仿真结果表明,在相同任务规模下,该方法的寻优效率较高,寻优时间仅为现有方法的15.2%;在总价值提高的情况下,完成任务的时间与现有方法相比平均缩短了4.9%。     

融合先验知识的混凝土侵彻深度试验数据异常点检测算法

为剔除混凝土侵彻深度试验数据异常点,提出了一种融合先验知识的异常检测算法。利用反向传播（back propagation, BP）神经网络模型拟合试验样本数据的分布,结合偏差指标筛选离群样本点,并通过经验算法评价模型异常检测性能。针对试验数据特点选择全量梯度下降结合动量优化方法,从而提高模型迭代训练的稳定性和效率,并且在构建模型过程中融合领域先验知识约束对样本数据的拟合,使得模型在训练过程中能反映附加特征的影响。结果表明,BP神经网络模型适合于刚性弹对混凝土侵彻试验数据异常点的检测,加入合理的领域先验知识可有效提高模型的检测精度。     

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。     

基于局部精确直方图匹配的无人机景象匹配导航色彩恒常算法

为了解决无人机景象匹配导航中实时图和基准图之间的色彩差异性问题,提出了一种基于局部精确直方图匹配的色彩恒常算法。将实时图分成一系列子块图像,根据景象匹配辅助导航系统预测的无人机位姿信息,获得实时图与基准图的粗略对应关系,考虑平移、尺度、旋转等补偿,选取基准图中与实时图子块对应的基准图子块,求解每对子块图像红、绿、蓝颜色通道色彩直方图的颜色映射关系,并根据建立的颜色映射关系,对实时图子块的三个颜色通道进行变换,从而降低实时图与基准图之间的色彩差异。试验结果表明,所提色彩恒常算法对光源颜色估计的欧拉角误差约降低到传统色彩恒常算法的20%,相比于不采用色彩恒常处理的景象匹配算法,将景象匹配平均误差降低了约70%,由于算法中引入了分块处理机制,能够克服多光源成像导致的色彩差异,具有并行计算的优势,便于工程应用。     

基于Harris角点检测的位移测量算法

在力学实验中,位移和应变的测量是最基本任务之一。本文提出了一种基于Harris角点检测的位移测量算法。通过检测变形前图像的角点,然后利用光流跟踪技术在变形图像中搜索其匹配点,最终计算得到位移值。算法对图像采用网格划分方式进行计算,达到了全场测量的目的。实验结果表明,该算法位移测量精度高、稳定性好,可作为基于图像处理的无损测量方法。     

基于灰色模型和改进粒子滤波的无人机视觉/INS导航算法

为了提高无人机视觉/INS组合导航系统的位姿估计精度,提出了一种基于灰色模型和改进粒子滤波的无人机视觉/INS导航算法。首先,针对视觉传感器数据易受外界因素干扰的问题,利用灰色预测理论建立基于视觉的位姿解算数据灰色模型,减小视觉解算数据误差对导航精度的不利影响;然后,引入萤火虫算法改进粒子滤波的重采样过程,并采用改进后的粒子滤波算法实现并提升视觉/INS组合导航系统的位姿解算精度。最后,自主搭建了四旋翼无人机实验平台。实验结果表明,采用扩展KF滤波的无人机组合导航算法将位姿估计的误差控制在3.2 cm内,所设计算法可以将误差控制在2.3 cm内,无人机位姿估计精度水平提高了39%。     

INS/GNSS/VO组合导航系统复合型异常检测与容错算法

INS/GNSS/VO导航系统的异常输出常由外部扰动引起,表现为幅值较小的突变信号或者增长速率较慢的斜坡信号。为了增强异常检测算法的检测能力,提高组合导航系统在外部干扰情况下的导航精度,提出一种INS/GNSS/VO组合导航系统复合型异常检测与容错算法。在非全局融合阶段使用状态卡方检测法对量测信息进行异常检测与隔离;在全局融合阶段,构建检测统计量的归一化阈值比,作为量测噪声方差阵的权重系数,对子滤波器进行加权量测更新。街道场景中的离线测试结果表明,所提算法的导航误差均值与标准差相对于其他的异常检测与容错算法分别减小了9.6%与2.7%,提高了组合导航系统的异常检测能力和容错性能。     

基于改进A*算法的多基地多无人机分阶段任务规划方法

针对多无人机疏散配置在多个基地、协同执行多目标侦察任务的应用需求,提出了一种基于改进A*算法的多基地多无人机分阶段任务规划方法,包括区域设置、航程估算、多基地多无人机任务分配、基地内单无人机时序分配、航迹搜索、航迹平滑和局部动态规划等多阶段层次化的处理流程。基于改进A*算法预估航程矩阵,基于改进K-means算法和深度遍历方法求解多基地多无人机任务分配,基于旅行商（TSP）模型求解单无人机时序任务分配,基于改进A*算法和三次B样条曲线规划并优化航迹,依据态势变化执行局部动态任务规划。开发了多无人机任务规划软件,验证了所提出的分阶段任务规划处理流程。实验结果表明,改进A*算法可剔除冗余节点,缩短4%以上航程,应用改进A*预估航程的任务分配能够满足威胁规避约束,进而可有效实现复杂威胁条件下多基地多无人机的航迹规划。     

集群无人机定位信号的自适应GM-CBMeMBer滤波算法

针对集群无人机导航定位信号通信过程中,易混入实际随机噪声,而传统GM-CBMe MBer滤波算法处理会导致滤波器发散的问题,提出了一种用于集群无人机定位信号的自适应GM-CBMe MBer滤波算法。首先,构建对应的数学模型,通过观测模型和量测模型对信号进行跟踪、滤波。在此基础上,利用随机有限集和衰减因子实现对噪声的动态处理和进一步预测,结合预测值进行迭代更新,直到滤波过程结束。同时,引入高斯项的剪枝合并来提高滤波精度。实验结果表明,改进算法与传统算法相比较,在集群无人机定位航迹上的杂波点有所减少,总体平均误差降低了26.6%。同时,方法简单易行,便于工程实现。     

基于强度扫描上下文回环检测的激光雷达SLAM算法

基于激光雷达的同步定位与建图（SLAM）技术可以在未知环境中实现机器人的实时定位并构建环境地图。LOAM、Le GO-LOAM等经典激光SLAM算法仅依赖点云的几何信息进行位姿估计,忽略了强度信息具有有效位置识别的特性;同时采用迭代计算的方式进行点云畸变补偿,虽然精度有保证但带来了高消耗的计算。基于此,提出了一种基于强度扫描上下文回环检测的激光SLAM算法,同时利用点云的几何和强度信息,采用强度扫描上下文（ISC）作为全局描述符进行回环检测以减少漂移误差,此外,采用非迭代两步法实现点云畸变补偿,以降低计算成本。基于室外公开数据集和室内采集数据的实验表明,所提出的激光雷达SLAM算法可有效抑制里程计位姿漂移,相比仅利用点云几何信息位姿精度平均提高约50%（均方根值）,并在增加回环检测模块的情况下保证算法的实时性。     

基于宏观调控策略的结构损伤检测PSO改进算法

结构损伤检测是结构健康监测过程重要的一步,数学上常常转化为求解约束优化问题。针对粒子群优化(PSO)算法易于出现的"早熟问题",采用市场经济条件下的宏观调控策略对早熟前粒子群位置进行干涉,藉以增强PSO算法抵抗局部极小的能力,达到改进PSO算法的目的。四个基准测试函数极值问题分析结果验证了改进后的PSO算法优于带权重因子的PSO算法,两层刚架单损伤和多损伤数值仿真以及三层建筑框架结构四种损伤工况试验研究进一步证明了改进后的PSO算法在结构损伤检测领域的应用是有效可行的。     

基于卡方检测和相关向量机的DVL异常信息处理机制

多普勒计程仪（DVL）工作在未知、复杂的水下环境中时,各个波束的有效性不是都能保证,偶尔会不可避免地产生异常信息,导致水下组合导航系统的定位精度下降。针对水下航行器长航时定位中可能出现的DVL野值和短时失效,提出一种用于SINS/DVL组合导航系统的DVL异常信息处理机制,一方面采用滑动窗卡方检测方法,消除野值对导航精度的影响;另一方面采用基于稀疏贝叶斯理论的相关向量机算法建立DVL速度回归预测模型,在DVL短时失效时输出速度信息避免SINS误差积累。基于长江试验的实测数据,对比了所提方法与DVL失效时仅隔离DVL、采用相关向量机模型预测但未处理野值以及采用支持向量机模型预测并处理野值三种方法,所提方法分别提升了68.8%、67.3%和22.6%的定位精度,可以更准确预测DVL速度输出并且避免野值导致的滤波精度下降问题,验证了该DVL异常信息处理机制的有效性和鲁棒性。     

多无人机多目标协同侦察航迹规划算法

针对目前无人机集群对多目标进行协同侦察时,易重复侦察目标,进而导致侦察效率低的问题,提出了一种多无人机多目标协同侦察航迹规划算法。首先,优化了K-means聚类算法的评价标准,使目标集合的聚类结果更加稳定,同时也降低了目标被重复侦察的概率。然后,利用改进的离散粒子群算法求解侦察序列,来降低整体任务的时间代价。最后依据侦察序列生成各无人机任务航迹。仿真结果表明,该算法不仅能够有效避免目标被重复侦察,而且相较于基因算法和标准离散粒子群算法,在4架无人机观测30个目标的仿真条件下,将时间代价降低24%,其收敛速度较快,求解精度更高。     

基于快速回环检测的室外环境下激光雷达SLAM算法

在室外环境下,基于激光雷达传感器的里程计位姿容易产生累计误差,导致点云地图漂移甚至建图失败,严重限制了激光雷达SLAM的应用。针对这一问题,提出了一种面向室外环境的基于快速回环检测的激光雷达SLAM算法。利用扫描上下文（Scan Context）描述子和Kd-tree搜索获取候选的回环帧,有效提升计算的效率,并采用激光雷达虹膜（Lidar Iris）描述子计算回环帧间的相似度得分,通过残差项加权的特征匹配获取回环帧间的位姿变换,有效提升了回环检测的精度和速度。在KITTI数据集上的实验结果表明,与A-LOAM算法相比,所提算法的平均性能提升约50%,回环耗时有效减少,提升了在室外环境下的位姿估计精度和建图准确度。     

基于极端学习机背景预测的红外小目标检测算法

为自适应检测复杂环境中的红外小目标,提出了基于极端学习机背景预测的红外小目标检测算法。首先,依据灰度值分布设计局部边缘敏感平滑滤波器,在相近的灰度范围内,使中心像素的灰度值等于邻域内多数灰度值的融合,对红外图像进行滤波,能够去除大量噪声并突出图像主要结构;其次,利用极端学习机对滤波后的图像建立回归模型,以邻域像素值为输入,以中心像素值为输出训练模型,并对背景进行预测,得到的图像与滤波后的图像做差,得到小目标显著图;最后,利用图像块对比特性对显著区域处理,使小目标区域均匀突出,抑制背景区域,并经过简单阈值操作,实现对红外小目标的检测。实验结果表明:与其他检测算法相比,在复杂背景下,本文算法检测结果的局部信噪比增益最高,单帧检测时间为0.18 s。本文算法对背景进行学习,发掘背景与目标的差异,提高了算法的适应能力,并且能够有效检测小目标。     

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。     

一种基于自适应波峰检测的MEMS计步算法

针对微机电测量系统(MEMS)波峰检测计步算法和自相关分析计步算法仅利用单轴加速度和固定阈值对传感器姿态和运动状态变化适应性较差的问题,提出了一种自适应波峰检测算法。该算法将行人运动状态分为正常状态与非正常状态,根据行人每一步的最大整体加速度与运动状态的内在相关性,获取不同运动状态的波峰检测经验阈值,实现不同运动状态下的自适应计步。通过实验对比分析,自适应波峰检测算法在传感器不同姿态和行人不同运动状态下的计步正确率均可达到99%以上,而常规波峰检测算法和自相关分析算法对正常态的计步精度虽然达到97%和99%以上,但对非正常状态下的计步精度仅有70%和50%,无法适应行人运动状态的变化。结果表明:自适应波峰检测算法对MEMS传感器姿态和运动状态的变化适应性较强,能够实现传感器不同姿态和不同运动状态下的可靠性计步。另外,自适应波峰检测、常规波峰检测、自相关分析算法的时间运算效率分别为0.036 s、0.046 s、0.131 s,自适应波峰检测算法时间效率明显优于其他两种算法。