PVS-CNN:子流稀疏卷积优化的Point-Voxel CNN

针对经典的三维卷积网络在模型较大的场景上分割和检测的效率低和内存占用大的问题,提出PVS-CNN网络框架,通过更新哈希表和特征稀疏矩阵的方式实现了效率高且占用低的三维卷积,引用子流稀疏卷积改进PV-Conv。将PVS-CNN在ShapeNet和S3DIS数据集上进行评估,实验结果表明,所提出的PVS-CNN比PVCNN快3.6倍,GPU内存占用仅为PVCNN的0.55倍。在目标检测上,与F-PVCNN相比,PVS-CNN在时间效率和检测精度上全面优于F-PVCNN。

杂乱场景中多尺度注意力特征融合抓取检测网络

GSNet使用抓取度区分杂乱场景的可抓取区域,显著地提高了杂乱场景中机器人抓取位姿检测准确性,但是GSNet仅使用一个固定大小的圆柱体来确定抓取位姿参数,而忽略了不同大小尺度的特征对抓取位姿估计的影响.针对这一问题,本文提出了一个多尺度圆柱体注意力特征融合模块(Ms-CAFF),包含注意力融合模块和门控单元两个核心模块,替代了GSNet中原始的特征提取方法,使用注意力机制有效地融合4个不同大小圆柱体空间内部的几何特征,从而增强了网络对不同尺度几何特征的感知能力.在大规模杂乱场景抓取位姿检测数据集GraspNet-1Billion的实验结果表明,在引入模块后将网络生成抓取位姿的精度最多提高了10.30%和6.65%.同时本文将网络应用于实际实验,验证了方法在真实场景当中的有效性.

面向平层多房间的内墙作业移动机器人路径规划

本文针对多房间的移动机器人内墙作业的路径规划任务,提出一种两阶段路径规划方法.第1阶段针对沿墙作业过程中环境存在灰尘或雾气造成的传感器失效问题,以及房间多出口时路径规划不完整问题,我们提出起点自动选择沿墙路径规划方法,基于栅格地图离线生成沿墙规划路径.第2阶段,针对点到点路径规划过程中的动态避障问题,我们提出一种基于PSAC (prioritized experience replay soft actor critic)算法的点到点路径规划方法,在软行动者-评论家(soft actor critic,SAC)的中引入优先级经验回放策略,实现机器人的动态避障.实验部分设计了沿墙路径规划对比实验和动态避障的对比实验,验证本文所提出的方法在室内沿墙路径规划和点到点路径规划的有效性.

船载智能水炮射流稳定补偿方法

为了应对风浪、船体姿态变化等扰动因素对水炮射流造成的影响,论文使用光电成像设备、惯性测量单元和水炮等设备设计一套智能船载水炮系统,并提出一种基于射流落点与船体姿态反馈的水炮射流稳定补偿方法。一方面,建立船体姿态变化与水炮关节电机角度的补偿模型,通过惯性测量单元采集船体姿态,实现抗载体扰动;另一方面,建立射流落点与水炮关节转动角之间的逆运动学模型,根据射流落点的状态对水炮关节角进行补偿控制,实现射流的稳定射击与精准打击。仿真和实际平台实验验证表明,论文设计的系统和提出的方法能够实现射流的稳定补偿,相比于传统射流模型补偿的方法,射流对目标打击的平均误差降低了82%,提高了射流落点的准确度。

《上海市公费医疗、劳保医疗人员药品报销范围》对医院用药影响的研究

调查了上海市2所市级医院、1所区中心医院和1所地段医院1992-1993年进购、销售各种药品的数量和价格,以及各医院历年来的业务收入、医疗服务等情况,分析了《上海市公费医疗、劳保医疗人员药品报销范围》对医院用药的影响,并提出了建议。

一种用于CBR推理机的案例学习算法研究

案例学习是CBR(case-based reasoning)推理机的重要环节,但由于案例的多样性以及对领域的依赖性,导致CBR系统中案例自动生成困难的问题。针对这一问题,提出将seq2seq(sequence-to-sequence)模型用于案例学习。通过seq2seq模型自动生成案例,引入attention机制,提高seq2seq模型生成案例的效果,并利用潜在语义分析(latent semantic analysis,LSA)对网络爬取的语料库进行筛选,利用过滤后的语料库对模型进行训练,最后提出一种基于三元组的评估方法,对生成案例进行评估和存储,从而实现CBR推理机的自主学习。最终将改进的案例学习系统应用到实际的智能机器人上进行验证,测试结果表明该方法具有可行性,且能够有效提高机器人的智能性及易用性。

面向三维特征描述子的自适应二进制简化方法

在三维(3D)局部特征描述子研究中,准确度、匹配时间以及内存消耗存在此消彼长的问题。针对上述问题,基于统计理论中的标准差原理提出一种面向3D特征描述子的自适应二进制简化方法。首先,通过改变简化模型中二值化单元长度和标准差个数来生成不同的二进制特征描述子;然后,将它们应用到当前被广泛使用的基于签名的方向直方图(SHOT)描述子中,并通过实验确定最优的二值化单元长度和标准差个数的组合;最后,将最优组合下的简化描述子命名为SD-SHOT。实验结果表明,与未进行简化的SHOT描述子相比,SD-SHOT在关键点匹配时间上减少为原来的1/15,内存占有率降低为原来的1/32;与现有主流简化方法如B-SHOT等相比,SD-SHOT的性能达到了综合最优水平。此外,在由五种不同类别的物体构成的实际机器人分拣场景中验证了所提方法的有效性。

一种面向低采样率的点云数据处理网络

在直接处理点云的三维神经网络中,采样阶段实现了对原始点云中关键点的筛选,对于整个网络的性能及网络的抗噪能力具有重要作用。目前主流的最远点采样(FPS)方法在处理大规模3D点云数据时计算量大且耗时,并且低采样率时经过FPS采样后模型性能下降明显。针对这两个问题,提出一种面向低采样率的点云数据处理网络AS-Net。设计一个新的采样模块代替原backbone中的FPS,其由两个Layer组成,每个Layer基于长短期记忆网络获取原始点云与采样点云之间的联系权重,从而高效提取关键信息,去除冗余信息。在此基础上,利用注意力机制选择特征值较高的原始点云作为采样点,采样点作为后序任务的关键点输入到网络,进一步提高网络模型性能。基于ModelNet40数据集的实验结果表明,在低采样率条件下,AS-Net仍可达到81.6%的分类准确率,与使用FPS作为采样方法的网络模型相比提高52.7%。此外,其对噪声干扰具有很强的鲁棒性,对于大场景的分割时间效率优于同类采样方法。