基于随机运动障碍避碰规则的机器人路径规划

针对存在随机运动障碍的复杂动态环境,提出了一种改进的机器人路径规划新方法。对于随机运动障碍,综合考虑机器人与障碍物的相对位置及相对速度,设计一种新的动态障碍避碰规则,使机器人安全地避开障碍,并避免大量迂回路径;对于匀变速运动目标,采用改进的人工势场法,引入相对速度及加速度因素,使机器人能追上目标并保持同步运动。基于Matlab的仿真实验验证了所提方法的有效性。

量子化信息素蚁群优化特征选择算法

蚁群优化算法凭借其正反馈机制和强大的搜索能力被广泛地应用于各类优化问题求解上.本文试图将蚁群优化算法应用于特征选择领域并提出了新的量子化信息素蚁群优化(quantized pheromone ant colony optimization,QPACO)特征选择算法.相比于其他基于蚁群优化算法的特征选择算法,QPACO算法中采用了量子化信息素的启发式策略,改变了传统的信息素更新策略,因此避免了在搜索特征时的局部最优问题.实验采用了KNN分类器来指导学习过程,利用源于UCI数据库的多组数据集进行了相关的测试,实验结果表明,QPACO算法在分类精度、精确率、召回率和维度缩减率等方面均具有良好的性能.

改进的边缘高斯混合模型运动目标检测

为解决高斯混合模型中噪声和光照变化带来的影响以及运算量大等问题,先通过帧差法确定运动目标大致区域,筛选后在确定区域内采用混合高斯模型重建背景,并运用SUSAN算子进行边缘检测,形态学处理后将两者结果进行"与"运算;区域外部分按照当前帧背景更新,两部分综合得到最终的运动目标。实验结果显示,改进算法有良好的鲁棒性,能很好地适应光照变化,检测结果高效准确,可以应用于目标跟踪领域。