机器人视觉伺服控制研究进展与挑战

针对机器人视觉伺服研究,分别从基于位置的视觉伺服、基于图像的视觉伺服、混合视觉伺服等对视觉伺服的研究进展进行了回顾.从雅可比在线估计法、雅可比自适应估计法、深度独立雅可比矩阵估计法等多方面详细分析了无标定视觉伺服.在此基础上,就视觉伺服的实时性、可靠性、多传感器融合、多任务控制、基于离散时间域及混杂系统的控制器等,对机器人视觉伺服控制所面临的挑战及进一步研究进行了分析与展望.     

基于CAD模型虚拟仿真数据的深度学习目标检测

有效的深度学习网络在训练过程中所需数据规模大,而数据的采集与标注极为耗时耗力,限制了深度学习在工业上的应用范围.针对该问题,基于工业生产中常用的CAD模型,结合实际的工业应用背景,设计了一套参数化生成虚拟仿真工件图像数据集的方法,避免工业现场繁琐的平台搭建与数据采集过程.同时,提出一种基于YOLOv3的改进深度学习网络...     

半监督局部线性嵌入算法在人脸识别中的应用

提高人脸识别算法的识别率,提出一种基于半监督局部线性嵌入(Semi-Supervised Locally Linear Embedding,SSLLE)的人脸图像识别方法。针对局部线性嵌入(Locally Linear Embedding,LLE)算法非监督学习的缺陷,引入半监督思想,在构造邻域的时候利用部分样本的标签信息来重新调整距离矩阵;使用调整后的距离矩阵进行线性重建从而实现数据降维。在Yale和ORL人脸库上的实验结果表明,能有效的提高人脸识别的性能。     

基于局部加权k近邻的多机器人系统异步互增强学习

针对多机器人系统的增强学习问题,为提高机器人的学习速度和充分利用通信范围内其他机器人的增强学习的经验和结果,给出了2类基于局部加权k近邻时间差分的多机器人系统的交互式学习策略.对于机器人之间通信无时滞情形,基于环境感测和任务信息状态描述的局部加权k近邻状态选择方法,机器人通过对自身和通信范围内其他机器人Q值表的比较和分析,对其自身的Q值表进行优化迭代更新.在此基础上,分别给出了基于全局通信条件下和局部通信条件下多机器人系统的异步的互增强学习方案.最后,通过仿真实验进一步验证了所提方案的可行性和有效性.     

基于多层神经网络的鲁棒自适应控制

针对一类不确定非线性动态系统，基于一种修改的Lyapunov函数，并利用多层神经网络系统（MNNs）的逼近能力，提出了一种鲁棒自适应神经 网络控制器的设计方案。该方案不仅能够保证闭环系统的所有信号有界，而且可保证闭环系统的跟踪误差渐近收敛到零。仿真试验表明了该控制算法是有效的。     

一类大系统的分散智能控制

该文针对一类具有未知函数增益的非线性大系统,基于滑模控制和Lyapunov稳定性理论,运用多层神经网络非线性映射逼近能力,提出一种分散的具有连续特性的自适应神经控制器的设计策略。通过分析,从理论上证明了闭环大系统是全局稳定的,跟踪误差有界且均方可积。仿真结果表明控制方案是有效的。     

基于单率多点广播数据流的潜在瓶颈链路智能预报

针对单率多点广播数据流传送特点和要求,主要考察在自相似性数据流作用下缓存队列动态特性.运用模糊逻辑推理分析能力和神经网络学习泛化能力,通过引进补偿模糊算子,设计了一类在线无监督学习实时预报补偿模糊神经网络,提出了对单率多点广播数据流网络中潜在瓶颈链路的预报控制策略.并且设计了动态补偿因子,给出了动态补偿因子自适应调节律.仿真实验表明,基于单率多点广播数据流的层次广播树拓扑的潜在瓶颈链路进行智能预报方案是有效的.     

基于扩展三角特征的AdaBoost快速人眼检测算法

首先给出了通过矩形块与三角像素特征块相结合所构造的八种用于眼睛检测的扩展三角特征原型块.考虑扫描块在人脸背景中遍历时眼睛样本图像块数量远少于非眼睛样本块数的实际,提出了一种结合Haar特征和三角特征的AdaBoost快速眼睛检测算法.通过级联分类器的前几层强分类器完成排除大部分非眼睛样本;然后,通过后续强分类器进行判断大部分的眼睛图像块和少量非眼睛图像块.检测时间消耗有所下降,这样可以保证整体的检测速度.实验结果进一步表明该算法具有更好的检测性能,与仅使用Haar特征相比正检率有一定程度提高.