一种无标定视觉伺服系统的快速跟踪策略

为了提高机械臂跟踪动态目标的跟踪效率,本文提出了一种无标定视觉伺服系统的快速跟踪策略.一方面,该策略通过预测机械臂关节角的方法,使得控制器计算行为与机械臂运动行为同时进行;另一方面,该策略使用最新的图像信息计算关节角,提高了系统的实时性.在仿真实验和实物实验中,构建了应用不同跟踪策略的两个无标定视觉伺服系统以跟踪动态目标.最后,通过对比两系统的跟踪时间和跟踪路径,验证了新跟踪策略的快速性、实时性和抗干扰性.     

基于自适应MPC的无人驾驶车辆轨迹跟踪控制

根据自适应模型预测控制相关原理,设计一种无人驾驶车辆的轨迹跟踪控制策略.基于车辆动力学模型,建立轨迹跟踪控制器,并设计目标函数与相关约束,利用自适应MPC(model predictive control)控制算法对其进行求解.在每一个控制时刻工作点,不断更新卡尔曼状态估计器相关增益系数矩阵以及控制器的状态来适应无人驾驶车辆当前的工作环境,以此补偿车辆的非线性以及状态测量噪声带来的影响.在MATLAB中搭建仿真模型并进行仿真验证,得出自适应MPC对于无人驾驶车辆的轨迹跟踪拥有较好的控制精度与鲁棒性,验证了该算法应用在轨迹跟踪控制层的有效性,为轨迹跟踪控制的研究提供了参考.     

基于模糊逻辑和机动检测的AGIMM跟踪算法

针对机动目标高机动和多阶段运动的特性,单模型跟踪算法难以实现精确跟踪的问题,提出一种基于模糊逻辑和机动检测的AGIMM跟踪算法。考虑现有的AGIMM算法网格模型收敛速度慢和机动检测方法过于依赖模型后验概率的问题,首先引入模糊逻辑算法计算机动检测的可信度,然后利用机动检测可信度信息、目标的机动信息和模型的后验概率调整跟踪模型集的结构,克服了AGIMM算法模型收敛速度慢的不足,实现了模型与目标运动模式的快速匹配。仿真结果表明:与AGIMM算法和固定结构交互式多模型算法相比,文中提出的算法使得不同条件下的位置跟踪误差分别至少降低5.6%和15.1%,说明该算法具有更快的模型收敛速度和更高的目标跟踪精度。     

基于二维尺度维纳后滤波器的SFCW-MIMO雷达成像伪影抑制方法

为了抑制传统后向投影成像方法产生的伪影,提出了一种基于二维尺度维纳后滤波的伪影抑制方法。首先,针对步进频连续波MIMO雷达,将频域BP成像方法建模为一个二维无失真波束形成器;然后,利用带尺度因子的二维维纳后滤波器使波束形成结果的均方误差最小;最后,分析了尺度因子对单目标和多目标成像性能的影响。现有基于相干因子(CF)的伪影抑制方法仅是所提方法具有不同尺度因子时的特例。通过选择适当的尺度因子,该方法可以克服CF方法的一些局限性。仿真结果表明,所提方法在距离向和方位向都能有效地抑制成像过程产生的伪影。     

MMV模型下无源双基雷达低空目标微动特征提取

基于频分复用模式下的正交频分复用信号外辐射源双基雷达模型,对带旋翼低空目标进行回波建模,得到目标微动参数与回波微多普勒参数间的关系.在此基础上,针对数据缺损条件下的低空目标回波,采用基于多重观测矢量(MMV)模型并结合稀疏重构方法,实现了目标微动特征参数的提取.仿真结果表明:针对低空微动目标,该方法提取参数的均方误差可达到10-3量级.相比于单重观测矢量模型,该方法能更加准确实现数据缺损条件下的微动参数提取,耗时随模型重数的增加而减少,可为实际环境下低空目标微多普勒特征提取提供参考和借鉴.     

无模型自适应去噪控制及其应用

为了使无模型自适应控制(Model-Free Adaptive Control,MFAC)更好地解决伴有噪声干扰系统的控制问题,在无模型自适应控制方法的基础上,针对伴随噪声干扰的系统进行分析研究,引入带有滤波作用的跟踪微分器,在反馈过程进行滤波操作,提出一种基于改进跟踪微分器(Improved Tracking Differentiator,ITD)的无模型自适应去噪控制方法,同时给出了该算法的收敛性证明.并通过仿真证明了本文改进的控制方法可以快速跟踪给定信号并且具有良好的抵抗噪声干扰特性.最后,将其应用在循环流化床锅炉汽包水位的控制中.     

雄性竞争可促进新物种形成

性选择是否导致新物种的形成?一直是进化生物学家争议的热点。此前大多数研究都聚集于自然选择,尽管有研究考虑到了性选择,但主要关注雌性选择交配对象与进化的关系。如今,美美国密歇根州立大学生物学家通过对棘鱼进行跟踪观测与研究发现,雄性之间激烈的竞争对新物种的形成具有重要的作用。此外,这样的竞争甚至可以消除不同物种之间的界线。研究项目负责人之一、美国密歇根州立大学生物学家珍妮特?博夫曼表示,"我们     

选择性搜索和多深度学习模型融合的目标跟踪

提出一种基于深度学习的多模型(卷积神经网络和卷积深信度网络)融合目标跟踪算法.该算法在提取候选粒子方面,使用选择性搜索和粒子滤波的方法.CVPR2013跟踪评价指标(50个视频序列、30个跟踪算法)验证了:该算法在跟踪中能有效地缓解目标物体由于遮挡、光照变化和尺度变化等因素造成的跟踪丢失情况的发生.     

基于支持向量机的多特征选择目标跟踪

目标判别跟踪方法一般以单一跟踪结果(正样本)和部分负样本训练分类器,并只用单一的特征描述目标,因此在目标发生遮挡、光照变化、形变等情况下很容易导致跟踪的失败. 为了克服单一正样本和单一特征训练的分类器导致跟踪不稳定的问题,提出一种基于支持向量机的多特征描述、多个正负样本进行分类器训练的目标跟踪方法,用训练分类器对所有候选粒子的不同特征进行判别和选择,并将具有最大置信概率的粒子确定为跟踪结果. 在跟踪过程中,利用子空间学习的方法实现正样本的更新,并以更新后的正负样本训练分类器. 实验结果表明,该方法在目标存在遮挡、光照变化、形变等情况下均可以取得较好的跟踪效果.