基于模糊决策的地形辅助导航区域选择准则

为克服传统的单一评价指标区域选择准则容易导致评价结果不全面的缺陷,提出一种基于模糊决策理论的多指标综合选择准则.该准则结合信息熵和模糊决策理论,综合考虑地形高度标准差、高度熵、粗糙度及其相关系数等反映特定地域内地形的总体起伏、信息量多少、光滑度和相关性强弱的地形参数对地形区域选择的影响,求解出指标的隶属度矩阵和权值,给出区域总的评价指数.仿真结果表明,在评价指标高的区域进行地形辅助导航,其匹配误差将更小.     

基于GMS和块匹配的运动估计特征匹配算法研究

针对运动估计中传统特征匹配算法存在匹配时效性差、精度不高等问题,提出一种基于块匹配搜索的改进网格运动统计算法.首先提取ORB特征点并将图像划分网格;然后计算网格内各特征点的运动平滑约束度,并以此作为准则确保匹配精度;最后采用块匹配菱形搜索算法进行特征匹配筛选以提高匹配速度.仿真试验结果表明:相较于随机抽样一致算法,特征点保持数量为500时匹配效率提升24.6%,匹配速度提高42.9%;与ORB-SLAM2算法相结合用于连续运动估计时,单帧耗时0.13 s,实时性较好.     

基于轻量化卷积神经网络的苹果目标检测算法

针对当前苹果检测算法模型参数多、检测实时性差的问题,提出一种基于轻量化卷积神经网络的苹果目标检测算法.首先,用经典轻量化卷积神经网络ShuffleNet V2替换YOLO v5s的主干网络,实现模型的轻量化;然后,用stem模块取代主干网络的图像处理层进行初始特征提取并且嵌入SPPF结构,弥补轻量化带来的精度损失;最后,在边界框的回归损失函数中引入α幂化指标,进一步提高边界框的定位精度.试验结果表明,改进后算法模型的平均精度均值达到95.8%,网络参数量降低了85.6%,在GPU上的单张平均检测时间仅10 ms,满足苹果采摘任务对检测精度和实时性的要求.     

基于特征提取改进的LeGO-LOAM方法

针对LeGO-LOAM算法中的局限性,提出一种基于特征提取改进的LeGO-LOAM方法.由于室外复杂环境下随机特征点较多,首先采用自适应特征提取方法在不同的距离下保证特征提取的准确性;然后基于随机一致性采样优化的地面滤除方法去除不可靠特征点;最后通过相邻帧中同一块特征点的移动距离来消除动态目标.利用KITTI数据集进行仿真分析,结果表明本文优化后的平均误差降低了19.1%,最大误差降低了23.9%.在实际激光雷达建图中进行多组试验,计算出的位置最大误差小于1m,表现出了良好的鲁棒性和稳定性,优化效果显著.