基于机器视觉的雨雾天驾驶辅助系统设计

随着私家车数量日益增多,雨雾天交通安全问题成为了亟待解决的难题;在嵌入式硬件资源有限的情况下,为驾驶用户设计了基于机器视觉的雨雾天语音辅助驾驶系统;系统结合了湿度传感器、轻量化去雾神经网络AOD-NET和目标检测模型YOLOv5n;在目标检测模型YOLOv5n上,利用K-means++算法重新设计锚框,选取较优的骨干网络并利用模型剪枝进一步压缩模型大小;实验结果表明,改进的模型在Jetsonnano上的FPS达到了17.78,最终mAP在人工加雾、分辨率变化的TT100K (Tsinghua-Tencent 100K)数据集到达了65.8%,满足了正常天气与雨雾天气下的驾驶辅助实际应用。

基于IKGC-PSO算法的无人机三维路径规划系统

为了解决标准粒子群算法在无人机三维路径规划中存在的易陷入局部最优、动态化不足和路径平滑性差等问题,提出了一种基于粒子群算法和遗传算法的,融入K均值精英化和柯西变异的优化算法;采用K均值聚类算法进行精英初始化,优化粒子种群的分布;动态化学习因子,强化惯性权重的全局性,保留粒子群算法收敛速度快的优点;融入遗传思想,采用柯西变异的方法,提高寻解最优解的能力;在对比实验中,模拟了实际的复杂三维环境,选取了路径总长度、飞行高度差以及马尔科夫生存状态组成目标函数;结果表明改进算法的鲁棒性提高了98%,求解质量相较于IG-PSO算法和IC-PSO算法分别提高了5.8%和10.6%,验证了优化后方法的有效性和鲁棒性。