基于深度强化学习的无人艇轨迹跟踪算法研究

针对欠驱动水面无人艇(USV)轨迹跟踪控制问题,提出一种基于近端策略优化(PPO)的深度强化学习轨迹跟踪控制算法．为引导控制器网络的正确收敛,构建基于长短时记忆(LSTM)网络层的深度强化学习控制器,设计了相应的状态空间和收益函数．为增强控制器的鲁棒性,生成轨迹任务数据集来模拟复杂的任务环境,以此作为深度强化学习控制器的训练样本输入．仿真结果表明：所提出的算法能有效收敛,具备扰动环境下的精确跟踪控制能力,有较大的实际应用潜力．     

基于深度学习的目标检测算法综述

目标检测的任务是找出图像中所有感兴趣的目标（物体）,确定它们的位置和类别。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,使目标检测成为计算机视觉领域中最具有挑战性的问题之一。该文综述了深度学习在目标检测方面有代表性算法的进展与展望。针对基于候选窗口（Region Proposal）的Two-Stage检测框架和基于回归的One-Stage检测框架,分别对有代表性的检测算法进行重点介绍,做出对比与总结;最后讨论目标检测领域存在的困难与挑战,并对未来目标检测方向的发展趋势进行展望。     

基于改进强化学习的无人艇集群一致性控制

针对传统的建模研究方法在应用于无人水面艇集群时会遇到复杂的动态海洋环境问题,提出了一种新的多智能体马尔可夫决策过程控制框架,将一致性控制和势博弈理论结合起来.在强化学习过程中,通过映射每个智能体的动作-价值函数值(Q值)表到全局最大势函数表,从而得到最优联合决策矩阵用于协同控制.进行了仿真试验,根据平均回报值给出了分析结果,验证了控制器决策矩阵的自优化性,以及对于较大环境扰动的自适应性.     

无人艇视觉系统多类水面目标特征提取与识别

针对海浪、海雾会造成无人艇视觉系统采集的视频图像模糊,影响目标特征提取和识别,且单一特征提取不能有效识别水面多类目标问题,在对无人艇采集的视频序列图像进行海雾去除和电子稳像预处理的基础上,提出一种多类水面目标组合特征提取和识别方法。首先分割清晰化后的图像,实现目标背景分离;然后提取不同目标几何特征、不变矩特征和纹理特征;最后采用基于组合特征和主分量分析降维的分级BP神经网络进行目标识别。通过实测、网络搜索和3D建模获得礁石、岛屿与船只3大类目标样本库,在MATLAB7.9下进行仿真研究,结果表明:多类水面目标组合特征提取和识别方法能有效实现无人艇视觉系统对海面3大类常见目标的分类识别,识别正确率达到85%以上。     

一种茶叶病害的深度学习检测算法

提出了一种改进的基于深度学习的茶叶病害目标检测算法。该方法在网络模型中添加坐标注意力机制,使模型细化特征,更加关注茶叶病害信息,从而抑制树枝、杂草等一些背景因素的干扰;选用CIoU作为模型的损失函数以提高定位能力;同时,通过聚类的方法对数据集中的目标边框进行重新优化,以获得更精准的先验框;并建立包含6种病害的茶叶病害数据集,解决了病害图像数据匮乏的问题。与其他算法对比实验结果表明,所提出的算法在多个指标上均有较好的表现,可为茶叶病害智能化诊断提供高效的解决方案。     

高速无人艇纵向航行性能试验

针对水面无人艇纵向航行问题进行静水拖曳试验.采用有限体积法结合Shear Stress Transpor(SST)湍流模型,应用动网格技术对模型周围绕流场进行了数值模拟,计算裸船体阻力及航行姿态.将数值计算与试验值对比分析,结果表明两者变化趋势相一致,该方法在阻力计算方面具有较好的精度.探讨了重心纵向相对位置对无人艇纵向性能的影响,结果表明,重心位置前移会降低第一阻力峰值,有利于避免“海豚运动”,但同时会降低最高航速.     

高速水面无人艇动态障碍物危险规避算法

水面无人艇(USV)是一种重要的海洋自主机器人,在障碍物环境中自主航行问题是当前USV的重要研究内容。针对高速USV在动态环境中的危险规避问题,提出一种基于行为的动态危险规避算法。算法首先对USV的运动特性进行分析获得基本运动空间,采用碰撞锥理论对USV与障碍物之间的情况进行判定,将海事规则约束和碰撞约束转换为USV基于行为的约束,通过求解基于偏航角度和速度的优化问题获得USV最优规避行为。仿真实验结果证明所提出的算法能够有效引导USV在高速(30 kn)情况下对动态障碍物实现有效危险规避。     

高速无人艇的运动建模及其视景仿真

为探讨基于喷水推进方式的无人艇运动建模及其视景仿真方法,根据船舶操纵性和快艇动力学的基本理论,建立无人艇的动力学模型,并根据喷水推进器的倒车原理,提出分流系数法来分析喷嘴和倒车斗的受力,推导出相应的表达式,建立无人艇的六自由度操纵性数学模型.设计基于该模型的无人艇视景仿真的体系结构,并进行各种操纵性运动的仿真试验.结果表明,该运动模型能够较好地反映无人艇在海洋环境中的操纵性.     

基于深度学习的立定跳远视觉检测方法研究

针对现有立定跳远视觉检测方法中起跳和落地瞬间判断不够准确、落地瞬间脚部遮挡导致测距点缺失影响跳远测距精度的问题,提出一种基于深度学习的立定跳远视觉检测方法.首先提取测试者的人体骨骼关键点,利用跟踪微分器对膝关节角去噪,通过膝关节角的极大值点准确判断起跳和落地瞬间;然后通过YOLO v5目标检测和帧间差分法定位到测距点,采用卡尔曼滤波对测距点进行轨迹跟踪,预测落地瞬间缺失的测距点位置,将测距点的观测值和预测值进行卡尔曼滤波融合来提高测距点的定位精度;最后进行透视变换校正,根据测距点的融合值计算立定跳远距离.试验结果表明,该方法的立定跳远测量平均绝对误差为0.497cm,符合立定跳远测量1 cm精度的要求.     

基于深度学习的障碍物检测与深度估计

提出了一种针对交通场景的基于深度学习的障碍物检测与深度估计方法。该方法对现有的YOLOv3模型进行改进,使用DenseNet网络代替原网络尺度较小的传输层,得到一种新的障碍物检测模型Dense-YOLO。然后采用立体匹配模型PSMNet得到双目图像的视差图,根据双目测距原理对被测目标深度进行估计。在KITTI数据集和实际交通场景中的实验结果表明,与YOLOv3模型相比,Dense-YOLO模型有效地提高了交通场景中障碍物检测的可靠性和正确率,对轿车、行人、骑行者和卡车这4类障碍物检测的平均精确率（average precision, AP）提高了3%～5%,平均精确率均值（mean average precision, mAP）提高了约4%。障碍物深度估计结果与真实值的平均相对误差约为3%。     

基于A*算法优化的无人水面艇路径规划

为了解决A*算法在无人水面艇路径规划中无约束条件导致的安全问题,提出一种对A*算法的搜索优化和平滑优化方法。首先,对电子海图数据中的海洋环境信息进行提取,采用栅格法建立路径搜索空间的海洋环境模型,并使用坐标对栅格统一编号;其次,引入安全距离约束对A*算法进行搜索优化;最后,通过引入转向角约束,消除冗余节点达到平滑优化的效果。实验结果表明,通过对A*算法的优化处理,提高了无人水面艇路径规划的安全性,满足无人水面艇在复杂环境中全局路径规划的需求。     

水面航行体对舰船目标的图像检测方法

针对水面航行体在近岸水域条件下对舰船目标进行实时光学检测时,易受到光照、相似颜色背景和海面波浪反射等干扰的问题,提出了基于改进视觉注意模型的舰船目标检测方法,采用小波变换方法提取图像的低频、高频特征,将任务水域图像从RGB颜色空间转化到HSV颜色空间来提取图像的色调、饱和度和明度特征,应用高斯金字塔、归一化算子等图像处理方法融合了各类特征.仿真结果表明,提出的舰船目标检测方法能够准确地实现复杂背景条件的舰船目标检测,具有良好的抗干扰能力.      

基于量子粒子群算法的无人水面艇路径规划

为了获得无人水面艇航行的最优路径,提高航行的安全性和航行路径的平滑度,提出一种基于量子粒子群优化的无人水面艇路径规划算法。首先,通过引入动态控制参数来提高该算法的寻优能力和搜索精度,并由测试函数验证其可行性;然后,在航行安全的前提下,以路径长度和路径平滑度为规划目标,在不同环境下对无人水面艇进行路径规划仿真实验。仿真结果表明,该算法在路径长度、路径平滑度及路径安全性方面表现较好,能找到全局最优路径。     

一种基于深度学习的实时视频图像背景替换方法

针对视频会话业务的实时性需求,提出一种轻量级深度学习网络模型实现视频图像的实时背景替换功能.网络模型包含语义分割和背景替换两个模块.语义分割模块整体架构采用编解码结构,编码端使用编码器模块、空洞卷积金字塔池化模块、注意力模块以及增益模块提取特征;解码端使用解码器模块、调整模块以及编码器模块恢复图像,再传入背景替换模块完成背景替换.该网络模型在本文设定的数据集训练后分割精确度达到94.1%,分割速度达到42.5帧/s,在实时性和准确性上达到较好的平衡,具有很好的实用效果.     

基于深度强化学习的移动机器人视觉图像分级匹配算法

针对传统移动机器人视觉图像分级匹配算法只能完成粗匹配,导致最终匹配精度较低、匹配时间较长等问题,提出一种基于深度强化学习的移动机器人视觉图像分级匹配算法.首先,利用深度强化学习网络结构中的策略网络和价值网络,共同指导浮动图像按正确方向移至参考图像;其次,在粗匹配过程中通过设计奖赏函数,实现颜色特征粗匹配;最后,在粗匹配基础上,利用改进尺度不变特征变换算法提取待匹配的图像局部特征,按相似度进行移动机器人视觉图像分级匹配.实验结果表明,该算法可有效实现图像的粗匹配与精匹配,在不同视角与尺度情况下特征检测的稳定性均较高,匹配精度高、时间短,匹配后的图像质量较好,提高了移动机器人的实际应用效果.     

基于航海雷达的水面无人艇局部路径规划

要：
设计了一种基于航海雷达图像处理的规划方法,以处理水面无人艇的局部路径规划问题.利用边缘保持的去噪平滑算法和自适应阈值法对航海雷达的原始图像进行处理并建立了环境模型,采用距离寻优的Dijkstra算法搜索最佳路径,将所提出的算法经海上和湖上实验加以验证.结果表明,所得规划结果良好,搜索的路径距离较短、搜索速度较快并满足实验要求. 关键词：
水面无人艇; 航海雷达; 图像处理; Dijkstra算法; 局部路径规划 中图分类号： TP 391
文献标志码： A     

士兵目标的少样本深度学习检测方法

针对敌士兵数据集样本较少的问题,提出一种基于YOLOv3的少样本深度学习目标检测方法.利用数据增广提高少样本目标检测模型的鲁棒性,改进网络结构将浅层网络特征图跨层连接至深层网络,采用k-means聚类获取适合士兵目标特性的锚点框,利用预训练提高模型训练收敛速度.实验结果表明,本文方法对少样本敌士兵目标检测成功率mAP达到85.6%、检测精度IOU达到82.18%,且对小型和遮挡目标检测效果较好;部署在NVIDIA TITAN V GPU计算机和NVIDIA Xavier嵌入式计算平台上的检测速度分别达到54.6和26.8 fps,实时性好.      

基于Q学习的无人机三维航迹规划算法

针对现有的基于强化学习的无人机航迹规划方法因无法充分考虑无人机的航迹约束而使规划获得的航迹可用性较差的问题,提出一种更有效的无人机三维航迹规划算法.该算法利用无人机的航迹约束条件指导规划空间离散化,不仅降低了最终的离散规划问题的规模,而且也在一定程度上提高了规划获得的航迹的可用性,通过在回报函数中引入回报成型技术,使算法具有满意的收敛速度.无人机三维航迹规划的典型仿真结果表明了所提出算法的有效性.     

深度学习源代码缺陷检测方法

针对由于传统的源代码缺陷分析技术依赖于分析人员的对安全问题的认识以及长期经验积累造成的缺陷检测误报率、漏报率较高的问题,提出了一种深度学习算法源代码缺陷检测方法.该方法根据深度学习算法,利用程序源代码的抽象语法树、数据流特征,通过训练源代码缺陷分类器完成源代码缺陷检测工作.其依据的关键理论是应用深度学习算法及自然语言处理中的词嵌套算法学习源代码抽象语法树和数据流中蕴含的深层次语义特征和语法特征,提出了应用于源代码缺陷检测的深度学习一般框架.使用公开数据集SARD对提出的方法进行验证,研究结果表明该方法在代码缺陷检测的准确率、召回率、误报率和漏报率方面均优于现有的检测方法.