基于RBF与BP神经网络的四旋翼编队滑模控制

针对四旋翼编队队形保持控制中常用简化自驾仪来代替内回路并未能贴合现实模型的问题,以及常受扰动和控制器调参数困难从而引起控制精度下降的现象,提出一种基于RBF与BP神经网络的滑模编队控制器。首先采用Leader-Follower思想对四旋翼编队问题进行建模,并基于RBF神经网络逼近不确定项与干扰项来设计内回路轨迹跟踪控制器。在此基础上根据机间通信关系设计编队保持控制器并结合BP神经网络对控制器参数进行整定,最后利用Lyapunov方法证明其稳定性。仿真结果表明,所提控制器具有良好的抗干扰能力,并且能有效提高队形保持精度,使编队保持稳定期望队形。

特征点维度的静态场景三维重建运动目标剔除

基于语义分割的图像掩膜方法常用来解决静态场景三维重建任务中运动物体的干扰问题,然而利用掩膜成功剔除运动物体的同时会产生少量无效特征点.针对此问题,提出一种在特征点维度的运动目标剔除方法,利用卷积神经网络获取运动目标信息,并构建特征点过滤模块,使用运动目标信息过滤更新特征点列表,实现运动目标的完全剔除.通过采用地面图像和航拍图像两种数据集以及DeepLabV3、YOLOv4两种图像处理算法对所提方法进行验证,结果表明特征点维度的三维重建运动目标剔除方法可以完全剔除运动目标,不产生额外的无效特征点,且相较于图像掩膜方法平均缩短13.36%的点云生成时间,减小9.93%的重投影误差.