当前数字经济的发展愈发依赖于精准时空信息,分析了通信导航融合感知网络对实现精准时空感知的作用与挑战,介绍了我国在通导融合研究方面取得的突破性进展,阐述了隐嵌信噪定位技术对5G网络定位性能的提升、异构多网多源融合对定位鲁棒性的保障,对北斗与5G深度融合的增量效应进行了讨论。从精准时空感知如何赋能数字经济发展的角度对通信导航融合网络做出进一步规划。
针对印制电路板(PCB) 缺陷区域受背景干扰过多以及缺陷目标尺度较小导致缺陷检测精度低的问题,提出了一种基于注意力机制与多尺度融合的PCB 缺陷检测方法。在YOLOv5 模型的特征提取网络中,引入一种三维注意力模块,以增强缺陷目标特征的显著度,使模型更加注重目标特征;为充分利用微小缺陷目标的多尺度特征,在特征融合网络中引入加权双向特征金字塔网络(Bidirectional Feature Pyramid Network,BiFPN),减少缺陷目标特征信息的丢失,提高模型对微小缺陷目标的检测精度。实验结果表明,该方法能够准确检测出PCB 图像中的缺陷目标,在保证实时性的同时,较原方法的平均检测精度提高了3. 9% ,表明了该方法的有效性。
当前的汽车安全辅助驾驶和无人驾驶汽车是图像领域的研究热点,针对汽车在启动或行驶时车前存在行人可能导致的安全问题,着重研究了基于双目视觉的车前行人检测方法。进行了双目相机的相机标定和立体标定;通过改进后半全局立体匹配算法获取深度图,确定车前行人所处位置的感兴趣区域(Region of Interest,ROI),剔除冗余的背景信息;分割并提取了图像的降维梯度直方图(Histogram of Gradients,HOG) 特征信息;将特征输入到支持向量机(Support VectorMachine,SVM) 分类器训练,检测并标记出车前的行人目标。实验证明,所提算法对车前场景下的动态行人可以更为有效地检测,具备更优的检率精度、时效性和鲁棒性。
随着通信技术的发展,频谱感知技术已经成为解决频谱资源稀缺的重要解决手段之一。针对传统的频谱感知方法在低信噪比(Signal to Noise Ratio,SNR) 下准确率较低的问题,提出一种基于残差神经网络和注意力机制相结合的正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM) 频谱感知方法。将频谱感知问题转化为图像二分类任务。通过分析OFDM 信号的循环自相关特征,将其灰度处理以生成循环自相关灰度图像。利用改进后的残差神经网络进行训练,提取这些灰度图像的深层特征,使用测试数据验证所得到的频谱感知模型。仿真实验结果表明,在低SNR 条件下,所提方法表现出更出色的频谱感知性能,优于传统频谱感知技术。
当前的位置预测方法大多没有考虑到用户行为信息,由于用户的访问时间、行为模式等能够在很大程度上反映所处位置,因此在对位置潜在向量进行预训练时有必要使用该信息。进行位置预测时,采样粒度较细的序列长度较长,难以捕获长距离依赖。针对这2 个问题,提出了基于用户行为和上下文语义的分层时空长短期记忆网络(HierarchicalSpatiotemporal Long Short-Term Memory Based on User Behavior and Contextual Semantics,CHST-LSTM) 模型。该模型通过Transformer 编码层处理轨迹数据,将用户相关行为信息考虑在内,融合位置的上下文语义信息,通过预训练得到位置的嵌入表征。根据用户的行为状态分割轨迹阶段,采用编码器-解码器方式对ST-LSTM 进行分段分层扩展,利用BiLSTM 对全局信息建模,同时处理轨迹的长短期变化,解决长序列的长距离依赖问题。对外卖员用户群体的真实移动轨迹数据进行分析和实验,通过聚类发现其特有的工作模式,在预训练时加入工作模式信息与到访时间信息,得到位置的特征向量并用于预测模型。结果表明CHST-LSTM 模型在预测用户下一位置时精度更高。
基于功率域非正交多址的环境反向散射通信系统上行链路常通过距离差完成用户配对。无源反向散射系统的双重信道衰落,导致远端边缘设备无法满足通信所需功率或解码所需信干噪比(Signal-toInterference-Noise Ratio,SINR)约束。为了解决上述问题,提出一种OFDM 和具有索引调制(Index Modulation,IM) 的OFDM 混合的上行NOMA 方案,该方案由标签调制方案和反射系数调节方案组成。OFDM-IM 提供了更好的能量效率,可以使功率水平低的设备满足通信条件。反向散射设备(Backscatter Devices,BD) 根据接收到的功率水平,灵活地选择OFDM 或者OFDM-IM,并在功率域叠加;通过调节反射系数保证叠加信号的功率差,接收机利用功率电平来执行多用户检测。实验结果表明,该方能够有效地提高远端用户解码的成功率,并且解码用户数量的增加提高了系统容量。
降水临近预报是为了预测未来短时间的降雨量。现有大多数基于循环神经网络(Recurrent Neural Network,RNN) 的降水预报模型,采用单一的卷积核对输入和隐藏状态的特征进行提取存在局部性,不能捕获雷达回波图中复杂的物理变化,且未有效提取时空相关性和对强降雨区域的精准预测。针对现有模型存在的问题,提出了UI-LSTM 模型用于降水临近预报,能够有效地提取雷达回波序列的时空相关性,采用了U 形结构,同时使用跳过连接进行特征拼接,学习到整个雷达回波图的上下文语义信息,且将浅层和深层信息进行特征融合。加入了Inception 结构来代替ConvLSTM 细胞结构中输入到输入和状态到状态的卷积,通过不同大小的卷积核,有效提取输入,隐藏状态的特征。在公开数据集(CIKMAnalytiCup 2017) 进行实验并与其他模型进行对比实验。实验结果表明,UI-LSTM 模型在HSS、CSI、MAE 和SSIM 指标整体上要远高于其他对比模型,且提高强降水天气预测的准确率。
特征提取作为玻璃瓶缺陷检测任务中至关重要的一环,特征集中丰富的特征信息将直接影响缺陷检测的准确率。传统的单一特征提取算法提取的特征信息往往过于单一,使得最终的检测准确率偏低。针对上述问题,提出了方向梯度直方图(Histogram of Oriented Gradients,HOG) 特征与尺度不变特征变换(Scale Invariant Feature Transform,SIFT) 特征融合的特征提取算法。针对不同缺陷边缘提取轮廓不够准确的问题,提出了基于感知哈希算法(Perceptual Hash Algorithm,PHA) 的边缘检测算子选择方法。通过支持向量机(Support Vector Machine,SVM) 进行训练和验证。实验结果表明,提出的边缘检测算子选择方法可以针对不同缺陷选择最适合的边缘检测算子,特征融合算法的瓶身缺陷检测平均准确率可达88. 7% 。较单一的HOG 特征提取算法提升了7. 99% ,较单一的SIFT 特征提取算法提升了2. 97% 。
随着自动驾驶技术的发展,越来越多的汽车装载车载雷达,不同车辆的车载雷达之间会产生相互干扰,导致虚假目标的出现或基底噪声的增加,降低检测性能。针对汽车雷达之间的相互干扰问题,提出了一种基于注意力机制的深度复数卷积循环网络(Deep Complex Convolution Recurrent Network with Attention,DCCRN-Attention),在频域实现干扰抑制。模型使用复数网络将信号的实部和虚部联合起来进行特征学习,能同时预测干扰抑制后目标的幅度和相位,并在跳跃连接中引入注意力机制聚焦于更重要的特征信息,抑制无关信息。实验结果表明,所提模型能有效抑制干扰、提高目标的信噪比(Signal to Noise Ratio,SNR),在评价指标上均优于基线方法。
在抗病育种中小麦赤霉病感染率是衡量籽粒抗性表型鉴定的重要衡量指标,针对目前小麦赤霉病感染率检测存在检测时间长、硬件成本高以及检测方式破坏植株等问题,设计了一种适用于麦穗籽粒此类小目标检测的深度学习网络模型——MHSA-YOLOv7。通过在原YOLOv7 主干网络中融合多头自注意力(Muti-Head Self-Attention,MHSA) 机制来提高模型对深层语义特征的提取能力,并使用加权双向特征金字塔网络(Bidirectional Feature Pyramid Network,BiFPN) 实现模块间的跨层连接,使该模型能够提取和传递更丰富的特征信息。实验结果表明,MHSA-YOLOv7 在小麦单穗赤霉病数据集上达到了90. 75% 的检测精度,相较于原YOLOv7 模型,改进后的算法对于麦穗籽粒此类小目标物体具有更强的特征提取能力,检测精度、召回率、F1 值、mAP @ 0. 5 以及mAP @ 0.5 ∶ 0. 95 分别提高了0.33% 、1.83% 、0.011、1. 19% 以及0.38% ,有效满足了小麦赤霉病感染率的精确检测,为实现小麦植株病害走势的长期观测以及小麦籽粒抗性的准确评估提供了技术支持。
随着通信环境的日益复杂化,信号调制识别变得越来越重要。针对低信噪比下数字信号调制识别困难的问题,提出一种基于小波阈值去噪与时频图像检测的调制识别方法。该方法将接收到的实信号转换成解析信号,通过小波阈值法对解析信号进行去噪处理。引入时频重排技术将去噪后的一维信号转换成二维时频图像,通过双线性插值缩放图像,得到适应网络输入大小的时频图。将时频图输入VGG网络中训练识别。实验结果显示,提出的调制识别方法对于低信噪比下的调制识别问题表现优异。
阿尔兹海默症(Alzheimer’s Disease,AD) 是一种患病率很高的神经退行性疾病,严重影响老年人生活。磁共振成像(Magnetic Resonance Imaging,MRI) 能够无创获取大脑的形态结构揭示脑部的病理改变,是目前AD 诊断的主要手段。深度学习在图像处理上具有强大的特征提取和建模能力,使用深度学习方法处理MRI 进行AD 的自动诊断具有巨大的应用价值。对于三维的脑图像,病变的大小和位置具有随机性和关联性,局部细节特征和全局的长程依赖信息都很重要。针对此类问题,提出了一种基于注意力的结合3D CNN 和Transformer 的端到端网络用以分类AD 病人和正常人。采用3DCNN 提取深层语义特征图,经多尺度特征加权的注意力编码后由Transformer 全局建模得到分类结果。在AD 数据集和公开的3D 医学分类数据集上验证,分类指标准确性、敏感性和特异性均有所提升。在AD 分类任务上准确性达到95% ,模型的注意力图突出了额叶、后扣带皮质等疾病相关区域。结果显示该方法具有较好的分类性能,可以作为一种自动、有效、便捷的AD 及其他医学任务辅助诊断方法。
在室内导航定位中,射频识别(Radio Frequency Identification,RFID) 技术具有信号穿透性强、成本低廉等诸多优点,能够有效代替GPS 完成室内组合导航。针对室内惯性导航误差发散和滤波中噪声参数不确定的问题,提出了基于自适应卡尔曼滤波(Adaptive Kalman Filtering,AKF) 的RFID / SINS 组合导航系统,通过RFID 定位系统抑制惯性导航误差发散,并应用AKF 将噪声参数与量测输出参数关联实现实时更新。对AKF 和标准卡尔曼滤波(Kalman Filtering,KF) 下的RFID / SINS 组合导航系统进行了仿真和实验。结果表明,在AKF 下组合导航系统平均定位误差降低了10% ,位置稳定性提升了7.4% ,定位误差保持在0.07 m 左右。基于AKF 的RFID / SINS 组合导航系统能够满足室内高精度定位导航的需求。
现针对近年来室内定位的需求,为提高整体的定位精度,提出一种基于sine 混沌映射与正余弦优化蛇优化(Snake Optimization,SO) 算法的超宽带(Ultra-Wide Band,UWB) 室内定位技术,并结合一种自适应的测距值调整策略将测距值作为SO 算法适应度函数的参数。SO 是一种元启发式,模仿蛇觅食加交配行为的新型智能优化算法。为提高优化方法寻优能力,在SO种群初始化阶段引入混沌映射,增加种群个体的多样性。在雄性个体和雌性个体位置更新之后,为协调算法的全局探索和局部探索的性能,再进行一次正弦余弦算法(Sine and Cosine Algorithm,SCA)。实验结果表明,对于室内环境,该方法能够有效提高定位精度且性能良好。对比传统的智能算法,其算法精度和收敛效率都得到了显著的提高。
土地利用转型是影响生态环境变化的重要因素,研究选用长春市2001、2011 和2021 年3 期高分辨率土地利用数据,通过土地利用转移矩阵和土地利用动态度分析土地利用格局时空变化,基于生态环境质量指数和生态贡献率指标,探讨长春市生态环境对土地利用转型的响应。研究结果表明:① 2001—2021年间耕地和建设用地是长春市发展所需的重心土地利用类型,耕地面积呈先增后减趋势,占比始终在75% 以上,建设用地面积持续增长;草地、水域和未利用土地面积呈不同程度的下降趋势;林地维持自身生态平稳,变化较小;地类间的转换,以耕地和草地两种类型最为明显。② 20 年间,中心城区的低质量区范围逐渐扩大,次中心城区的低质量区范围略有减少。2011—2021 年间,长春市生态环境质量下降速度较2001—2011 年间减慢,生态环境改善面积增加,但整体生态环境质量变化幅度不大。③ 2001—2021 年间长春市部分草地荒废、水域被破坏,生态问题较为严峻。虽然国家退耕还林还草等生态政策的落实对城市生态环境质量有所改善,但其恶化趋势仍始终高于改善趋势。研究结果可为长春市土地空间格局优化、生态环境改善提供科学依据。
内陆水体探测是遥感领域中的重要研究方向之一,涵盖河流形态变化监测、实时洪水监测和地表水变化分析等领域。支持向量机(Support Vector Machine,SVM) 在非线性分类问题上表现优秀并且能够得到较低的错误率。提出了一种基于SVM 的全球导航卫星系统反射(GNSS-R) 信号内陆水体识别方法,使用星载GNSS-R 信噪比(Signal to NoiseRatio,SNR) 作为像素构建遥感图像,并应用合成少数类过采样技术(Synthetic Minority Oversampling Technique,SMOTE)进行数据处理。在此基础上,通过SVM 模型的方式实现水体信息提取,并在刚果盆地区域的旋风全球导航卫星系统(Cyclone Global Navigation Satellite System,CYGNSS) 数据进行了验证。结果表明,未进行SMOTE 算法处理的分类准确率是65.1% ,其中水体分类准确率5.39% ,而经过SVM 模型和SMOTE 算法处理后,数据分类准确率提高至96.49% ,水体分类准确率提高至96.32% ,准确率和水体查准率都得到了提高,显示了利用基于SVM 的星载GNSS-R 内陆水体识别方法的有效性。
遥感影像变化检测是遥感领域的一个重要研究方向,在农业、灾害评估和城市建设等诸多方向发挥着重要作用。目前的变化检测任务大多使用深度学习方法完成,但现存的诸多深度学习网络存在影像特征提取能力不强、变化区域不能精细化区分等问题。提出了一种多通道、多尺度特征融合的深度U 型网络——MCFFNet。将Unet 扩展为三通道结构,并在下采样过程中获得相应尺度特征影像的预分类特征信息和融合特征。在上采样过程中将对应尺度的特征信息融合。通过卷积激活等操作将特征图映射为单次最优变化检测结果图。在遥感影像变化检测领域常用数据集CDD 和WHU 数据集上实验得到了较对照方法更高的变化检测精度。
深空测控通信通常采用提高载波频率、增大抛物面天线口径等措施来增强设备的跟踪性能,但同时带来了天线的半功率波束宽度变窄、动态特性降低和天线抗阵风扰动能力变弱等问题。大风扰动引起的天线变形和指向偏差会导致深空探测的增益损失,增益下降会引起测控跟踪不稳定、数据误码率增加、接收机失锁和遥控无法完成等情况,影响测控任务的正常执行。针对大风扰动对我国某深空站转台式35 m AE 座架双反射面天线执行深空探测任务的影响,通过实测数据统计分析了场区全年风速、风向的变化特点,对跟踪弧段内风速与天线指向角度误差数据进行了对比分析,仿真计算了在不同风速、风向情况下天线指向角度误差及对上下行测控链路增益的影响,结合设备现有技术设施,提出了在执行实时任务中的应对策略,降低了大风扰动对测控任务的影响,提高了设备任务执行能力。
针对二维抛物方程(Two-dimensional Parabolic Equation,2DPE) 只能对二维通信链路进行建模,无法计算电磁波在城市环境下对建筑物的横向绕射和后向反射效应的缺陷,提出一种基于深度神经网络(Deep Neural Network,DNN)的2DPE 修正模型。通过数字高程地图建立城市建筑物三维模型,提取出传播距离、传播角度和建筑覆盖率等7 个特征,对传播路径上的建筑物分布和收发天线的部署情况进行表征。结合实测数据,构建用于修正2DPE 的数据集;通过DNN 进行训练,构建2DPE 的修正模型,使其适用于复杂三维环境下的电波传播预测。仿真结果表明,相比于线性回归、支持向量回归和决策树模型,基于DNN 的2DPE 修正模型在三维传播环境中计算精度高,在测试集上的预测误差最多降低了46. 8% 。
随着机会照射源信号带宽越来越大,提升外辐射源雷达探测能力的同时导致杂波抑制的计算复杂度越来越大,杂波实时抑制已经成为外辐射源雷达面临的严峻挑战。针对该问题,设计了一种基于LDLT 分解的扩展相消批处理算法(Extensive Cancellation Algorithm Batches,ECA-B) 段间并行算法。基于图形处理器(Graphic Processing Unit,GPU) 多线程并行处理技术并结合ECAB 各段相同子模块特性,通过分段并行处理提高ECA-B 的时效性;针对传统ECA-B 算法求逆过程中数据传输耗时问题,利用自相关矩阵共轭对称特性提出一种基于LDLT 的并行迭代求逆方法,通过2个统一计算设备架构(Compute Unified Device Architecture,CUDA) 核函数实现求逆处理,节省了矩阵求逆过程中数据传输的时间,进一步提升段间并行算法的实现效率。实验结果表明,与传统算法相比,提出的算法具有更高的时效性和有效性。
针对现有无相位近场数据的偶极子建模很难精确对干扰源进行等效的问题,对现有无相位近场数据的干扰源等效建模中所采用的双面迭代方法进行了改进,改进方法主要是采用2 个以上不同高度的磁场幅度数据;对双面迭代方法中平面的选择以及改进方法中平面数量和起始面的选择进行了讨论;以干扰源辐射磁场重构的均方根误差(Root MeanSquare Error,RMSE) 作为偶极子建模准确度评价依据,与现有双面迭代方法及其他优化方法等效建模出的偶极子模型进行了对比验证,对比结果显示该改进方法具有更高的准确度。
提出了一种用于第五代移动通信(5G) 智能手机的紧凑型宽带高隔离度多输入多输出(Multiple-InputMultiple-Output,MIMO) 天线对,将其在手机两侧边框内表面对称放置,组成相关性低的8 元MIMO 阵列。采用耦合馈电方式设计了宽带倒F 天线(IFA) 单元,以零间距镜像对称的方式组成一个结构紧凑的双单元天线对,其-6 dB 阻抗带宽为3. 3 ~ 6. 5 GHz (65. 3% ),完全覆盖了n77 / n78 / n79 和LTE band 46 的5G 频段,其尺寸仅为26. 8 mm×6 mm (0.29λ0 ×0. 07λ0 ,λ0 为3. 3 GHz 的自由空间波长)。利用差/ 共模对消理论及加载分布式电容的方法提高了天线对两端口间隔离度,带内隔离度高于11 dB,在n79 和LTE band 46 频段(4.4 ~5.925 GHz) 隔离度高于15 dB,且在4. 9 GHz 中心频点处的峰值隔离度能达到40 dB,在整个带内的天线总效率为59% ~ 88. 8% 。为了提高8 元MIMO 阵列隔离度,在相邻两天线对之间的接地板上蚀刻矩形缺陷地去耦结构,单元间包络相关系数(Envelope Correlation Coefficient,ECC) 均小于0. 1。对该天线阵列进行加工实测,仿真和测量结果基本一致。
对采用可见光通信(Visible Light Communication,VLC) 的车辆定位方法进行了研究,研究、分析并比较了4 种基于VLC 的车辆定位方法;基于假设的系统模型和接收到的VLC信号数学模型,分析了每种方法所采用的TX 位置与系统物理参数的测量过程,利用这些参数与TX 位置之间的几何关系构成一个观测模型,获得车辆位置估计;基于VLC 定位方法的观测模型得到每种方法关于位置精度的Cramer-Rao 下界(Cramer-Rao Lower Bound,CRLB);在一般有限传播延迟、视距(Line of Sight,LoS) 和加性高斯白噪声(Additive White Gaussian Noise,AWGN) 的VLC 信道模型下,对于真实道路的避碰和列队行驶场景,仿真了每种方法的系统物理参数测量,并基于测量结果,对每种方法的定位精度的CRLB 进行了评价。
针对地球自转角速度在光电吊舱俯仰轴上的分量影响稳像模式下激光雷达成像质量问题,提出了一种基于机载惯导系统的前馈补偿算法,根据飞机姿态信息、纬度信息以及设备轴角信息,通过旋转矩阵解算出补偿量并前馈到速度环中,实现对光电稳定平台的瞄准线漂移的补偿。对所提出算法进行了仿真与实验验证,实验结果显示,当俯仰轴朝向南北时,引入该补偿算法后半小时内俯仰角度漂移量为0.231°,小于不加该补偿方法时的6.005°;当俯仰轴朝向北南时,引入该补偿算法后半小时内俯仰漂移量为-0.385°,小于不加该补偿方法时的-5.372°,证明该算法可有效补偿稳像模式下俯仰位置漂移。
移动边缘(Mobile Edge Computing,MEC) 计算因其低时延、低功耗和高网络容量等特点被广泛应用于新型的物联网应用中。为进一步充分利用系统的计算资源并降低功耗,研究了基于D2D 辅助卸载的MEC 系统下的计算卸载决策、功率分配方案和计算处理顺序。提出了面向多应用的终端设备总功耗最小化问题,实现绿色卸载。为解决原始的NP-hard 问题,设计并提出了基于贪婪配置思想和冒泡排序思想的绿色卸载与应用处理排序算法(Green Offloading andApplication Processing Sorting Algorithm,GOAPSA)。仿真结果表明,该算法通过灵活调整应用的处理顺序和功率分配方案,应用D2D 辅助卸载可以有效降低系统的总功耗并提高系统容量。
针对无线传感器网络低功耗自适应集簇分层(Low Energy Adaptive Clustering Hierarchy,LEACH) 路由协议因能耗不均衡导致节点过早死亡的问题,提出了一种基于遗传算法和蚁群算法改进的LEACH 路由协议。在分簇阶段,通过遗传算法选举合理的簇头节点并根据节点的分布划分簇群;在数据传输阶段,通过蚁群算法使簇头节点尽可能选择能量充足且距离较短的路径进行数据传输。仿真结果表明,与传统的分簇路由协议LEACH 和LEACH-C 相比,改进算法可以使网络的能量消耗更加均衡,并延长网络的生命周期。
在图优化框架的基础上,设计多传感器融合方案和有效的优化方法,提出一套具有鲁棒性的定位与建图(Simultaneous Localization and Mapping,SLAM) 方案,能够有效应对室内外复杂环境。进一步发展激光-视觉后端建图融合方法,构建具备全新地图表达形式的点云网格化地图。同时使用低成本传感器,设计实现基于多传感器融合的高性能低成本背包扫描系统,整体完成在未知环境中的自我定位和稠密建图,且在低性能CPU 设备上将长时间运动带来的每100 m 的轨迹误差平均降低至厘米级。提出的基于多传感器融合方案,在精度、算力消耗上能够匹配现有主流方案,对获取各种环境条件下的系统准确定位结果和丰富的空间信息具有重要意义。
针对磁耦合无线能量数据协同传输中传能链路与通信链路的解耦需求,在采用DD 型通信线圈与传能线圈实现空域解耦的基础上,开展了滤波网络与线圈的协同设计,提升了通信链路通带阻抗匹配特性和带外抑制能力,并进一步引入带阻滤波网络,增强了与传能线圈的频域解耦。在耦合距离为30 mm 时,搭建了与167 kHz 无线传能天线共口径的磁耦合通信天线与滤波馈电网络硬件,在中心频率14. 8 MHz 实现了4 MHz 的-3 dB通带带宽,该解耦天线系统相比DD线圈天线对传能信号提高了85 dB的抑制能力。
时间弹性带(Time Elastic Band,TEB) 算法由于其具有运动学约束、最快路径约束的特点被广泛用于实时局部路径规划和避障,但是在非结构化的动态社会环境进行导航的情况下,强转弯时存在速度输出不稳定的问题,这对于移动机器人的整个前进过程是非常不利的。为了解决这一问题,将轨迹曲率作为一种新的约束引入TEB 算法,提出了基于曲率速度控制的时间弹性带(Curve Speed Control TEB,CSC-TEB) 算法。在CSC-TEB 算法中,移动机器人在实时避障时的最大瞬时速率能够根据其与行进路径的航向变化程度做出一定调整。实验结果表明,应用CSC-TEB 算法能够使移动机器人在躲避障碍物时具有更加平稳的速度,同时输出较平滑的轨迹曲线,避免了原始TEB 算法中的速度抖动现象。在静态和动态场景中,移动机器人躲避障碍物时具有更加稳定的速度曲线, 保证机器人在安全避障的前提下路径总耗时降低了15.02% ,从整体上提升了路径规划效率。
由于遥感场景中物体的复杂性,光照变化和配准误差都会影响不同时间拍摄的2 个图像中目标的变化,探索不同像素之间的关系和更强大识别能力的卷积神经网络可以提高双时相遥感图像变化检测的性能。提出一个基于差异增强的和双注意力机制的Transformer 神经网络模型,在孪生网络架构中的特征提取部分引入ResNeXt 单元,在不增加参数复杂度的前提下提高准确率;将分层结构的Transformer 编码-解码器与通道和空间双注意力模块相结合,获得更大的感受野和更强的上下文塑造能力;该网络还关注双时相图像的差异化特征,通过引入差异增强模块对每个像素进行加权,选择性地对特征进行聚合,最终生成具有高精度的遥感图像变化特征图。通过在变化检测基准数据集LEVIRCD 和DSIFN 上进行实验,所提方法对不同建筑物、道路和植被变化情况的检测效果有很大提升,与现有检测模型相比,该方法在F1、IoU 和OA这3 个评价指标上均好于最好结果。