车间多排设备布局问题的优化研究

在车间多排设备布局问题上往往存在限制条件多、设计方案不合理的情况。针对车间多排设备布局问题的特性,提出一种车间布局优化模型,并且利用遗传算法变异策略优势改进粒子群算法,使得设计方案更加合理。首先,将车间设备进行坐标化,建立了基于总物流成本最小的目标函数。经过综合分析,量化了各工序之间的物流关系。然后根据消防通道、设备占地与间距等非物流因素采用分级惩罚思想建立各种约束。此外,利用随机生存的初始种群,采用加入遗传算法的自适应变异策略的粒子群算法搜索最优车间布局。最后,通过一个案例研究了该模型的工作原理。与系统布置设计(Systematic Layout Planning, SLP)方法和遗传算法(Genetic Algorithm, GA)相比,该方法在解决多排设备布局问题效果更好。

集改进图卷积和多层池化的点云分类模型

针对基于图卷积的点云分类模型在提取点云不同语义区域的特征信息以及高效利用聚合的高维特征方面存在的问题,本文提出了一种新的点云分类模型,该模型采用了动态自适应图卷积和多层池化相结合的方法。具体而言,本文采用了残差结构来构建更深层的卷积,以学习不同语义区域点对特征中不同层次的特征信息,从而生成动态自适应调整卷积核,针对不同的点对动态更新边的特征关系,从而提取更为精确的局部特征。同时,本文将聚合的高维特征输入到多层最大池化模块中,回收利用第一次最大池化后丢弃的特征信息进行多层最大池化,从而获取更为丰富的高维特征,提高分类模型的精度。实验结果表明,在ModelNet40数据集上,本文提出的分类模型的总体精度达到93.3%,平均精度为90.7%,明显优于目前主流的点云分类模型,并具有较强的鲁棒性。

Flash3D引擎的发展现状剖析及若干关键技术研究

目前已涌现出了许多性能和功能各异的Flash3D引擎技术,其在动漫游戏的应用非常引人注目。但尚未有对这些Flash3D引擎发展现状做深入而系统的剖析,围绕Flash3D的学术研究几乎是一片空白。对当前主流Flash3D引擎的发展现状进行了综述性的研究,横向分析比较了各主流引擎的功能与性能。同时,围绕着Flash3D引擎提出了若干关键技术。然后,介绍了我们课题组自主研发的Flash3D轻量级引擎的设计及其若干关键技术的初步成果。最后,展望了Flash3D引擎技术的未来发展趋势。

DP-Q(λ):大规模Web3D场景中Multi-agent实时路径规划算法

大规模场景中Multi-agent可视化路径规划算法,需要在Web3D上实现实时、稳定的碰撞避让。提出了动态概率单链收敛回溯DP-Q(λ)算法,采用方向启发约束,使用高奖赏或重惩罚训练方法,在单智能体上采用概率p(0-1随机数)调节奖罚值,决定下一步的寻路策略,同时感知下一位置是否空闲,完成行走过程的避碰行为,将单智能体的路径规划方案扩展到多智能体路径规划方案中,并进一步在Web3D上实现了这一方案。实验结果表明:该算法实现的多智能体实时路径规划具备了在Web3D上自主学习的高效性和稳定性的要求。

Web3D山地场景中多智能体mACO路径规划算法

山地场景数据量大,路径规划算法复杂,难以在网页上精确显示,通常采用的基于等高线的势能路径规划,往往得不到最优路径,且容易被隔断在悬崖下面。为解决以上问题,提出并实现了Web3D上的mACO(mountain ACO)路径规划算法,并在Web3D上实现了基于平面网格的pgACO(planar grid ACO)路径规划算法,以及一个Web3D上的A*路径规划算法。再以典型战斗场景为案例,针对mACO算法、pgACO算法以及A*算法,就实现效果、效率、网页刷新率(FPS)做了对比实验,结果显示,三种算法均可达到实时性,但mACO算法规划的路径更加精确。最后根据规划出来的最优路径,采用leader-follower思想,在Web3D上实现了实时高效的多智能体路径规划方案。

一套网络虚拟现实高层建筑火灾避险模拟系统

针对高层建筑火灾应急情景下避险模拟训练的时间和空间条件限制严格、训练后反馈较弱等问题,通过对火灾烟雾与火焰进行模拟,结合火灾安全避险模拟指标,提供了一种帮助用户摆脱时间和空间限制,进行沉浸式火灾安全模拟训练,并能进行安全评估的网络虚拟现实(WebVR)高层建筑的火灾避险模拟系统。经测试,该系统能够使用户摆脱时间和空间限制进行沉浸式的火灾安全模拟训练,用户测试成功率95.2%,评分正确率100%,为解决高层建筑火灾应急情景下避险模拟提供了一个可行性实例。

基于头部透视图像的身份识别

利用X射线扫描头部骨骼所成图像,对特殊职业中由于事故导致死亡的人员进行身份识别,在身份识别中能起到较好的辅助作用。

融合外部注意力和图卷积的点云分类模型

针对点云数据的无序性和非结构化导致不能充分提取局部特征的问题,提出了一种融合外部注意力和图卷积的点云分类模型。首先将点云数据构建成局部有向图,然后采用融合了外部注意力的图卷积进行特征提取,以采集更丰富、更具代表性的局部特征。接着,引入残差结构来搭建更深层的网络,并融合不同层次的特征信息,以增强网络性能。最后,将具有树状层次结构的点云数据映射到具有负曲率的双曲空间,以增强点云数据表达的能力,并在双曲空间中进行嵌入计算得到最终的分类结果。在标准公开的数据集ModelNet40和ScanObjectNN上进行了实验,结果表明,模型在不同数据集上整体分类精度分别达到了93.8%和82.8%,相较于目前主流的高性能模型,模型整体精度提高了0.3%~4.9%,并具有较强的鲁棒性。

特征保持的区域分级网格简化算法

随着三维建模精度的提升,网格模型的数据量越来越大。为便于存储和计算,需要对网格模型进行简化处理。大多数网格简化算法通常对模型整体设置单一简化率,无法对模型进行不同级别的简化以保留局部特征。针对此类问题,提出了一种特征保持的区域分级网格简化算法(RH-QEM)。首先使用谱聚类算法对网格模型进行分割,并以测地线距离和余弦距离构建核函数;其次构建基于法向量的曲折度量指标,对网格模型的不同区域进行曲折程度度量,据此来设置分级简化率,不同的分割区域对应不同的简化率;最后构建改进的边折叠代价函数,对网格模型的不同区域实现分级简化。在CAD模型与扫描模型上进行实验,实验结果表明,RH-QEM算法简化误差和网格质量均优于3种对比算法,可实现分级简化,并有效保持模型细节特征。

结合偏移自注意力机制和残差连接的点云分类

现有基于深度学习的点云分类网络通常无法有效利用点云特征间的相关信息,并且存在鲁棒较低的问题。为了提高点云分类网络对有效特征的提取能力,增强模型鲁棒性,本文提出了一种结合偏移自注意力机制和残差连接的点云分类网络。首先在PointCNN基础上引入偏移自注意力模块,更好地关注于有效特征;然后引入残差网络的思想,在注意力层增加残差连接,将残差连接和注意力层的输出特征进行融合形成点云特征;最后使用多层感知机对点云特征进行分类。将本文模型与PointNet、PointCNN、DGCNN等其他点云分类模型在ModelNet40数据集上进行对比实验,结果表明本文网络的分类效果更好,获得了最高的分类准确率92.9%,相比于PointCNN提升了0.7%。在鲁棒性实验中,本文网络相比于PointCNN,在稀疏点云上的总体分类准确率提升了2.4%,在噪声点云上提升了11.6%,表明本文网络具有更好的鲁棒性。

物联网与虚拟现实融合的智能火灾营救机制

虚拟现实、物联网及人工智能的融合,可为火灾救援决策提供智能WebVR交互。然而需要解决数据轻量化、基于物联网实时数据传输,以及火灾情景数据在网页端可视化的问题,需要构建有效的机制、算法。提出一种构建物联网与虚拟现实融合的智能火灾营救(IoTandVirtualReality based Intelligent Fire Rescue,IVIFR)机制,提出了虚拟智能火灾救援(Virtual Intelligent Fire Rescue,VIFR)算法,构建了智慧火灾救援原型系统。将VIFR算法与贪心算法、随机算法针对营救被困人员的成功率,进行了比较。实验证明VIFR算法的营救成功率均高于其他3种算法。

移动端地下管线增强现实系统设计

针对传统地下管线信息系统存在的查看管线空间感不足、管线施工决策不灵活、对本地软件程序依赖性高的问题,设计了一个基于移动端的地下管线增强现实系统。为实现移动端增强现实管线建模功能,利用圆参数方程结合标架技术的方法对管线自动化三维建模,并通过高精度定位来加载附近管线数据;然后,设计了一种视觉与多传感器融合的方法,实现混合跟踪注册;最终,基于阿尔·吉斯(AR.js)技术编写代码实现了系统的整体功能。实验表明,系统三维模型渲染流畅,位姿估计误差小,在查看地下管线作业中具有直观准确、便捷灵活、运行环境适应性强的特点,在智慧城市推进工作中,为管线信息的智能化管理,提供了稳定可靠实时交互可视化的系统方案。

基于多智能体的虚拟化地铁站乘客行为仿真

地铁站是典型的人群密度大的公共场所,根据人群行为特点以及基于人群行为特点的引导,可以有效培训人群应急疏散。采用多智能体的方法,通过度量地铁站建筑场景特点,分析乘客行为特征的影响因素,基于乘客从众心理规律,提出单Agent属性定义及约束规则,建立乘客Agent路径选择行为模型,在虚拟地铁站内为多智能体建立MAS(Multi-AgentSystem)行为决策系统,通过WebVR实验研究乘客从众行为以及决策行为的影响因素,为高峰期人员流动策略的制定提供理论依据,有效地缓解地铁站内人群拥挤现象。

WebVR动植物系统

本文采用动物数据库、植物数据库的构建,形成模型数据库;通过场景的构建形成了可交互的VR动植物场景;通过代码的编写,形成了可以在场景内进行虚拟漫游体验的系统平台。该系统平台可以满足多用户在网页上进行实时交互体验。

基于渐进式加载的VR动物园系统

本文提出了渐进式数据加载的方式,完成大众在线虚拟动物园的实时加载工作。首先探讨了互联网技术引起的旅游业经营方式的变化及发展虚拟旅游的趋势,接着分析了虚拟旅游业在WebVR发展的短板,介绍了大规模VRML虚拟场景的快速浏览算法和批处理。最后介绍了基于Unity3D构建的虚拟动物园,对在场景中使用的碰撞检测物理引擎、用户交互界面、动态效果进行了介绍,最后根据搭建的虚拟动物园,截取了虚拟动物园的馆区。

WebVR技术在教学上的应用

信息技术的高速发展,网络教学己经成为高校教育教学的重要途径。利用网络学习资源来满足学习需要,己成为越来越多的学习者首选的学习途径,从而也推动了利用网络实现课程教学在学校中的广泛应用。开发高质量的网络课程是目前发展网络教育的重要课题,5G时代的真正到来,开拓了WebVR与课堂相结合的新道路。

基于强化特征提取的视网膜血管分割

视网膜血管的分割精确率对眼科疾病和糖尿病早期诊断有着重要影响。面对现有方法在微血管与病变区域分割性能差的问题,本文提出一种强化提取血管特征的分割模型。该模型在编码部位引入多尺度特征提取残差模块(multi-scale feature extraction residual module,MFE-residual)和多级残差空洞卷积层,用来扩展感受野,学习多层次图像特征,提高模型对血管信息的利用率;下采样和短连接部位分别融入轻量化注意力机制和多通道注意力模块,增加模型对血管的识别度,降低误分割的可能性。本文基于DRIVE和STARE两种公开数据集进行了实验,来验证改进模型的分割能力。结果表明,两种数据上的准确率分别为0.9652和0.9715,灵敏度分别为0.8205和0.8256,与其他算法相比,分割性能更有优势。

基于XLNet的双通道特征融合文本分类模型

提出了基于XLNet的双通道特征融合文本分类(XLNet-CNN-BiGRU, XLCBG)模型。相对于单模型通道,XLCBG模型通过融合XLNet+CNN和XLNet+BiGRU这2个通道的特征信息,能提取更加丰富的语义特征。XLCBG模型对融合后的特征信息分别采用了Maxpooling、Avgpooling和注意力机制等处理方式,分别提取全局中特征值最大的向量、全局中的均值特征向量、注意力机制的关键特征来代替整个向量,从而使融合特征处理的方式多样化,使最优分类模型的可选择性增多。最后,将当前流行的文本分类模型与XLCBG模型进行了比较实验。实验结果表明:XLCBG-S模型在中文THUCNews数据集上分类性能优于其他模型;XLCBG-Ap模型在英文AG News数据集上分类性能优于其他模型;在英文20NewsGroups数据集上,XLCBG-Att模型在准确率、召回率指标上均优于其他模型,XLCBG-Mp模型在精准率、F1指标上均优于其他模型。

轻量级Web3D地铁火灾逃生在线规划关键技术

基于移动互联网浏览器实现地铁站逃生模拟训练是一种高效率的火灾逃生训练方式.然而,由于地铁站规模庞大且火灾情景复杂,在线逃生路径规划仿真平台模型因数据规模大,其在基于有限网络带宽传输以及渲染能力较弱的浏览器上运行时,速度将非常缓慢甚至无法运行.为解决此问题,本文针对轻量级Web3D地铁火灾逃生路径在线规划平台实时在线关键技术进行了研究.首先,针对大规模地铁站BIM静态场景数据,通过语义和体素化成分检验的轻量化方法对其进行了轻量化处理.同时,针对大规模虚拟化身的在线渲染,基于数据拆分并灵活组合思想,通过对虚拟化身的几何体信息和虚拟化身的动画数据进行数据管理,实现了大规模虚拟化身在线渲染的轻量化处理,进而实现了轻量级人群可视化;其次,针对动态烟气数据,提出了基于烟气冗余消除和归一化的轻量化处理方法,并基于精灵纹理粒子系统构建了轻量级烟气场景,实现了轻量级烟气可视化;最后,基于上述一系列轻量化处理的Web3D地铁场景中的逃生路径规划问题研究,本文提出了基于虚拟足迹聚类的蚁群优化算法eAACO (evacuation based on adaptive ant colony optimization),该算法通过VR设备获取真实人群逃生路径,实现对路径数据筛选和聚类以形成骨干路径,并与蚁群算法(ACO,ant colony optimization)相结合,设计了逃生路径规划的最优方案.实验表明,上述关键技术的实现较好解决了大规模地铁站火灾逃生路径规划Web3D模拟平台的实时在线处理问题.

基于双层DQN的多智能体路径规划

目的随着虚拟现实技术的发展,在虚拟场景中,基于多智能体的逃生路径规划已成为关键技术之一。与传统的火灾演习相比,采用基于虚拟现实的方法完成火灾逃生演练具有诸多优势,如成本低、代价小、可靠性高等,但仍有一定的局限性,为此,提出一种改进的双层深度Q网络(deep Q network,DQN)架构的路径规划算法。方法基于两个结构相同的双Q网络,优化了经验池的生成方法和探索策略,并在奖励中增加火灾这样的环境因素对智能体的影响。同时,为了提高疏散的安全性和效率,提出了一种基于改进的K-medoids算法的多智能体分组策略方法。结果相关实验表明提出的改进的双层深度Q网络架构收敛速度更快,学习更加稳定,模型性能得到有效提升。综合考虑火灾场景下智能体的疏散效率和疏散安全性,使用指标平均健康疏散值(average health evacuation value,AHEP)评估疏散效果,相较于传统的路径规划方法A-STAR(a star search algorithm)和DIJKSTRA(Dijkstra’s algorithm)分别提高了84%和104%;与基于火灾场景改进的扩展A-STAR和Dijkstra-ACO(Dijkstra and ant colony optimization)混合算法比较,分别提高了30%和21%;与考虑火灾影响的DQN算法相比,提高了20%,疏散效率和安全性都得到提高,规划的路径疏散效果更好。通过比较不同分组模式下的疏散效果,验证了对多智能体合适分组可以提高智能体疏散效率。结论提出的算法优于目前大多数常用的方法,显著提高了疏散的效率和安全性。