低秩先验引导的无监督域自适应行人重识别

无监督域自适应行人重识别在智能监控中发挥着重要作用,并引起了研究者的广泛关注.尽管目前的研究已经取得了较大进步,但不同数据集之间的域偏移问题给行人重识别带来极大挑战.研究发现,在连续时间里,同一摄像机视角下的行人图像具有相同的风格,如果将这种风格信息从行人图像中分离出去,将有效缓解由图像风格差异引起的域偏移问题.为此,提出一种低秩先验引导的域不变信息分离的字典学习方案.根据风格信息的低秩先验性,将行人图像特征中的风格信息和行人身份信息分离开来,根据同一身份行人属性的域不变性建立视觉特征与属性之间的联系,缓解域偏移所带来的影响,通过自训练策略来调整学习参数.实验表明,方法的性能在很多数据集上超过了传统的无监督域自适应行人重识别方法以及部分基于深度学习的无监督域自适应行人重识别方法.     

基于改进NSGA-Ⅱ的船舶避碰决策辅助算法

针对避碰决策问题对算法时效性和轨迹分布性的要求,改进一种基于多目标优化算法的NSGA-Ⅱ(non-domi-nated sorting in genetic algorithm Ⅱ).采用按需分层策略和考虑父代支配信息的算数交叉算子策略,降低了算法的时间复杂度,加快了收敛速度;提出动态分布适应度策略,控制了帕累托集在目标空间的分布.在此基础上,分别建立决策方案的安全性和经济性目标函数以及驾驶员对决策安全性的偏好函数,通过改进NSGA-Ⅱ对避碰决策方案寻优.试验结果表明,改进NSGA-Ⅱ的收敛速度和分布性有所提升,证明了改进算法的有效性和优越性;在构建的四种船舶会遇场景下,算法均能寻得多个兼顾安全性和经济性的避碰决策方案,为驾驶员避碰决策提供参考.     

双臂机器人避关节极限与避奇异位形优化研究

关节极限及机械手臂的奇异位形的限制,往往导致协调任务失败。通过对冗余双臂机器人的研究,利用冗余手臂的自运动特性并基于梯度投影法及奇异鲁棒性求逆法完成了冗余手臂的避关节极限及避奇异位形的优化。经过优化后获得了最优的关节位形,同时对双臂末端轨迹的误差进行了分析和控制,有效的降低了末端轨迹跟踪误差,使机械手臂的运动性能得到了明显的改善。最后通过仿真验证对比优化前后的结果可知此优化方法的可行性。为冗余双臂机器人协调控制方法的研究提供了条件。     

人行荷载作用下大跨度梁加速度反应谱研究

加速度响应是舒适度评价体系的重要指标,同时由于结构设计阶段方案的频繁变更,如何快速有效地计算结构的加速度响应尤为重要。首先基于标准行人激励荷载模型,采用APDL建立大跨度简支梁在标准行人激励下的有限元的计算模型;然后对不同步频、阻尼、跨度及边界条件下的动力反应进行时程分析,得到最大加速度反应谱曲线;最后与部分学者推荐的结果进行比较分析。总体而言,标准行人激励荷载模型较为准确;且通过有限元分析消除了数值分析时用梁的挠曲函数代替梁横向位移反应产生的误差;并且解决了用第1振型加速度响应代替结构的加速度响应结果偏小的问题。     

基于MCS-LBP的红外图像行人检测方法

红外图像行人检测是夜间智能视频监控、车辆辅助驾驶及智能驾驶等领域的关键技术。针对红外图像纹理特征较少的特点,提出一种实时的基于分块的多级中心对称局部二值模式(Multi-Level Center-Symmetric Local Binary Pattern,MCS-LBP)的红外图像行人检测方法。首先对红外图像进行去噪等预处理及感兴趣区域(regions of interest,ROIs)提取,并提取感兴趣区域的MCS-LBP特征得到更加丰富的红外图像纹理特征,最后使用支持向量机(support vector machine,SVM)进行分类得到行人检测结果。在VS2010环境下,在自行采集的红外行人数据集验证了该方法的有效性与鲁棒性。     

基于多层次深度学习网络的行人重识别

提出了多层级特征融合模型,该模型利用深度学习网络提取行人图像的全局特征和局部特征,并将全局和局部特征联合起来,以生成更具辨识度的描述符.在模型中,基于部分的多层级网络用于提取不同网络深度的局部特征,从而将网络底层到高层中提取的局部特征组合起来.全局—局部网络分支则提取网络深层的局部特征和全局特征,用于识别行人.该模型在三个数据集上进行了实验并得到了更好的结果.     

车辆-行人碰撞中颅脑伤及动力学响应的研究

采用多体动力学软件开发建立的车辆行人碰撞仿真模型,模拟了碰撞事故中行人的动态响应,确定和分析了颅脑损伤相关的主要碰撞生物力学参数以及影响颅脑损伤的汽车前部结构主要设计参数.研究结果表明,限制车辆行驶速度、适当减小汽车前部结构刚度以及适当提高发动机盖缘高度可以很大程度上降低行人的颅脑损伤.     

基于深度学习的高分辨率图像的智能检测

针对高分辨率图像下目标所占面积小,检测效果较低、实时性较差的问题.提出了一种基于LDCF-ResNet50的深度学习模型检测方法.以行人检测为例说明此方法的有效性.首先基于局部无关通道特征的预测提议区域,对行人潜在区域粗检测.然后,设计候选区域合并和扩展方法,将合并后的区域用于后面的ResNet-50神经网络.其次,设计了一个合适的ResNet-50网络,用于精确检测该区域.最后将ResNet-50网络的检测结果映射到原始图像中,输出检测结果.为了验证本文所提方法的有效性,在清华-戴姆勒数据库平台上对高分辨率图像进行实验验证.实验结果表明,所提出方法能够有效地检测行人.与主流的算法(包括Faster R-CNN,YOLOv3和SSD)相比,本文方法对行人检测的平均精度分别提高了4.07％、17.79％和31.45％.     

基于MAS和航海模拟器技术构建船舶自动避碰仿真平台

船舶自动避碰是航海研究的热点之一,国内外专家学者提出了许多方法并开发了多种系统。然而,如何测试和验证这些方法和系统仍然是一个有待解决的问题。实船海上试验风险高费用大,同时灵活性差花费时间长;许多研究人员所采用的单机仿真试验则难以有效仿真复杂的海上航行情况。应用Multi-agent系统(MAS)理论和技术以及多本船航海模拟器,构建和开发了自动避碰仿真试验和测试平台。仿真试验表明该平台可以取得与实船海上试验相类似的效果,并且可以有效解决海上实船实验和单机仿真试验所带来的缺点和局限。     

船舶领域理论：发展现状及其MASS时代机遇

船舶领域理论近10年来得到了长足的发展,广泛应用于船舶避碰、航行安全决策和海上交通工程等领域的研究。随着MASS(Maritime Autonomous Surface Ships)概念和相关法规的提出,船舶智能化、自主化的进程将会加快,而船舶领域理论也将在这一趋势下朝着新的方向发展。综述了当前船舶领域的发展现状,包括现有的定义和建模方法,并讨论了船舶领域模型的实际应用场景;总结了MASS发展现状及其在未来革新过程中可能面临的挑战;针对MASS时代的需求,提出了未来船舶领域理论的发展和应用方向。