基于新型多模态触觉传感器的机器人交互物体分类

多模态传感融合对于机器人探索外界环境十分重要,而现有的触觉传感器只能收集一种触觉模态信息,其收集到的多模态信息存在弱配对问题,为了解决此问题,研究了一种基于触觉和视觉融合的多模态触觉传感器。该传感器可以利用一个感知层同时收集2种异构触觉模态信息,弥补了传统触觉传感器的缺陷,同时可以利用收集到的多模态信息对不同物体的几何形状进行分类,在研究过程中,通过按压实验收集了圆形、正方形、长方形和三角形4种形状物体的触觉信息,再利用K最近邻(KNN)算法进行几何形状分类,实验结果证明了该传感器在区分不同物体的形状上具有良好的效果。

单样本学习下时序约束稀疏表示的物体识别方法

非接触式传感器相比接触式触觉传感器可以避免与物体直接接触过程中产生的噪声,因而能够获取更有价值的原始数据表征物体内在属性;然而针对非接触式传感器感知的物体属性数据而言,现有算法难以实现单样本学习下的物体准确识别.为解决这一问题,本文提出一种新颖的单样本学习下时序约束稀疏表示方法(one-shot learning with temporally constrained sparse representation,OSLTCSR)用于识别5种不同材料下的50个物体类别.首先将两种原始数据(Lumini光谱和SCiO光谱)并行投影至共享子空间,并且使用聚类典型关联分析法(cluster canonical correlation analysis,C-CCA)计算两种原始数据的聚类相关性特征;其次通过稀疏表示分别计算得到聚类相关性特征数据以及原始数据的编码向量,并利用原始数据的编码向量对相关性特征数据的编码向量进行二次投影映射;然后将两次映射后的原始数据和相关性特征数据进行重构,以充分耦合化两种光谱数据,解决了单样本学习下的数据稀缺问题;进一步地,设计新颖的时序约束稀疏表示方法计算重构后的原始数据和相关性特征数据,以充分考虑每个光谱序列的时序特征;最后与最新的物体识别方法进行实验对比,结果表明提出的OSL-TCSR方法提高了单样本学习情况下的物体识别结果.此外,OSL-TCSR还可灵活迁移至多种应用场景,比如材料识别或纹理识别等.

一种基于联合组核稀疏编码的多模态材料感知与识别方法

传统的机器视觉方法往往难以区分具有高度相似外表的材料,因此,通过融合其他模态信息来克服视觉模态的缺陷十分必要。为解决这一问题,首先,根据各个模态的性质引入一系列合适的相似度评估方法;其次提出使用联合组核稀疏编码方法来融合线性不可分的多模态数据,并且详细介绍一种该模型的求解方法;最后,在包含184个材料的公开数据集上进行多层次对比试验。实验结果表明,在粗、中、细3个不同分类级别的对比实验中,其识别准确率分别为90.8%、76.6%和73.4%,相对于基于视觉模态的识别方法,基于多模态融合的材料识别方法能够显著提高识别效果。

分子动力学模拟基本原理及其应用

阐述了分子动力学模拟的理论基本、模拟条件、模拟应用以及钻研的重点目标。介绍了MD计算的发展,并给出了分子动力学模拟中相关的运动方程和定理、有限差分算法、分子动力学模拟应用发展的主要过程。并且阐述了分子动力学模拟的初始条件、周期性边界、长程作用力以及系综等。

分子模拟对多尺度材料模型应用

分子模拟方法能有效地模拟物质微结构层次的体系和状态。对于材料多尺度的分析和其模型的建立,分子模拟被认为是一种关键的技术之一。主要针对多尺度材料模型中的跨尺度统一性和多尺度多层次耦合的问题,阐述一些分子模拟方法在多尺度材料模型宏观以下尺度中的模拟应用。

基于自适应多核稀疏表示的机器人触觉物体感知研究

传统的多指机器人在进行触觉物体感知时往往忽略了多指间的力关联性以及单个手指的多个触觉传感器间的力关联性.为了解决这个问题,本文提出了一种自适应多核稀疏表示(adaptive multi-kernel sparse representation,AMSR)方法以提高多指抓取过程中触觉物体识别表现.首先,本文采用多个基本核函数将训练样本映射到希尔伯特空间,并分别计算每个基本核对应的核矩阵,以获取触觉样本不同维度的特征.其次,通过提出一种自适应核权重计算方法来学习每个基本核的自适应核权重,在此过程中可以有效地考虑多指间的力关联性以及单个手指的多个触觉传感器间的力关联性.然后,通过学习到的自适应核权重构造了一个线性复合核,以探索多个手指的多维核特征.最后,通过对多个手指触觉数据的编码向量施加相同的稀疏模式,以进一步探索多个手指之间的力关联性.并在我们收集的触觉数据集上,将提出的AMSR算法与其他相关算法进行了比较,物体识别结果表明了提出AMSR算法的有效性.

基于变分贝叶斯高斯混合噪声模型的机器人跨模态生成对抗网络

多模态融合对于机械手充分感知外界环境至关重要,单一模态信息会限制机械手对物体的识别、抓取能力,而传统的跨模态数据生成方法生成的图像效果较差,导致多模态融合效果并不理想.为了解决跨模态生成的图像效果差和多模态融合的数据缺乏等问题,本文提出变分贝叶斯高斯混合条件生成对抗网络(BGM-CGAN)的跨模态多样性噪声数据生成式方法.首先利用变分贝叶斯高斯混合算法将均匀分布的随机噪声组生成单一的混合变量;然后将生成的混合变量通过高斯混合模型生成一系列高斯混合噪声组;最后从生成的高斯混合噪声组中随机选取单一高斯噪声导入辅助模态图像中,并与辅助模态图像进行融合,成功生成了高清晰度的异域模态图像,真实还原了异构模态信息,解决了单一模态信息不足和生成图像质量差等问题.最后利用Inception Score(IS)、Frechet Inception Distance(FID)、结构相似性(SSIM)、峰值信噪比(PSNR)等评价体系,将BGM-CGAN算法与其他算法的跨模态生成图像能力进行对比,验证了所提出算法的有效性和可行性.此外,BGM-CGAN算法还可延伸应用于跨模态材料检索、跨模态纹理识别等领域,具有广泛应用前景.

川西亚高山不同彩叶林土壤水稳性团聚体特征

彩叶林是川西亚高山地区重要的生态系统类型之一.以川西亚高山典型彩叶林为对象,研究彩叶林不同季节土壤有机层和矿质土壤层水稳性团聚体粒径组成和稳定性特征.结果表明:(1)彩叶林土壤水稳性团聚体各粒径占比总体呈现随团聚体粒径减小而降低的变化趋势,以>2 mm团聚体最高,0.053-0.25 mm团聚体最低,土壤有机层和矿质土壤层>2 mm团聚体分别占21.1%-54.3%和17.2%-60.0%.(2)土壤团聚体总量中大团聚体(>0.25 mm)百分比(R_(0.25))占60%以上,土壤有机层R_(0.25)、团聚体平均重量直径(MWD)和几何平均直径(GMD)以糙皮桦-岷江冷杉林(BAF)最高;矿质土壤层R_(0.25)以BAF最高,MWD和GMD以白桦-云杉-川滇长尾槭林(BPA)最高;两个土层的土壤粒径分形维数(D)以BAF最低.(3)彩叶林类型变化显著影响土壤水稳性团聚体粒径组成、R_(0.25)、MWD、GMD和D,但采样时期、土层及其交互作用未显著影响土壤R_(0.25)、GMD和D.上述结果表明川西亚高山森林土壤水稳性团聚体粒径组成和稳定性特征随彩叶林类型变化明显不同,BAF具有较好的土壤团粒结构和稳定性.