基于加权预积分和快速初始化的惯性辅助单目前端模型

针对单目视觉惯性定位系统在复杂环境和相机高动态条件下的实时性和高精度的需求,提出了一种基于加权预积分和快速初始化的惯性辅助单目前端模型Improved_VIO。首先同步视觉和惯性测量数据,建立高精度的IMU加权预积分模型,为联合初始化和视觉跟踪模型提供帧间运动约束;然后构建视觉惯性融合状态向量,建立联合初始化模型,实现视觉惯性松耦合的快速联合初始化;最后在IMU加权预积分和快速初始化方法的基础上,建立一套惯性辅助的视觉跟踪模型,从而有效提高系统定位精度。在EuRoC数据集上的试验结果表明,与传统视觉惯性定位前端模型相比,本文的前端模型提升了单目视觉惯性定位的精度与实时性,初始化时间缩短至10 s内,定位精度提高了约30%。

基于Web应用前端行为模型的测试用例生成

基于Web应用前端模型的测试用例生成是Web应用测试的重要过程,但现有的大多数针对Web应用的模型都只关注Web页面及其事件,忽略了事件触发条件和后续动作。为了更准确地描述现代Web应用程序的动态行为,文中定义了一种新的Web应用前端行为模型(Front-end Behavior Model, FBM)。由于模型中迁移的触发条件可能存在内部变量,即迁移之间存在依赖关系,使得生成的测试用例不能按照输入序列执行,从而影响测试效果。为此,提出了一种优化分组遗传算法来实现可执行迁移路径FTP的自动生成,该算法考虑FTP生成问题的特点,对染色体初始化和适应度函数做出合理的设计,加入修补算子调整个体长度生成了满足迁移覆盖的FTP,并且通过引入自适应的遗传算子和模拟退火接收机制来减少迭代次数,从而加快求解速度。实验结果表明,该算法能够在更高的求解效率的基础上有效保证迁移路径的可行性以及覆盖率。

基于分析驱动设计的参数化白车身前端结构轻量化多目标优化

利用SFE-CONCEPT建立了车身前端的隐式参数化模型并与车身后部的有限元模型组合成白车身模型,采用模块化方法将各分总成组成整车模型。对整车模型进行正撞安全仿真并与实车试验进行对比,验证了整车正撞安全仿真的有效性。通过编辑批处理脚本文件提取加速度峰值等正撞安全参数,真正体现“分析驱动设计”的理念。选择参数化白车身前端6个形状变量和7个板件厚度作为轻量化优化的设计变量,试验设计选用优化拉丁超立方算法生成样本点,实现Kriging近似模型的自动生成和精度验证。采用第二代非劣解排序遗传算法(NSGA-II)进行优化,得到妥协解集,最终选取白车身前端质量最小的妥协解作为优化解。优化后白车身前端质量减轻7.02%。轻量化优化后其性能基本不变,左右侧加速度峰值分别降0.99%和1.31%,左右侧加速度平均值分别增大15.41%和8.67%,车门变形量有増有减,最大变化率为10.6%。

基于视觉系统的聚类:原理与算法

传统的聚类分析方法只强调其对产生数据的物理系统原理的依赖 ,而忽略了人类感知数据结构的方法对聚类分析的影响。我们认为 ,这二者就聚类算法的构造和聚类结果的分析而言 ,具有同等的重要性。人类主要通过眼睛来感知结构。根据这一现点 ,我们提出了基于视觉前端系统尺度空间模型实施聚类的原理与方法。这一方法不仅可用于解决聚类有效性方面那些与人类感知结构方式有关的基本问题 ,而且可克服传统算法对初值敏感、难以找到最优聚类 ,难以确定聚类类数等缺陷。数值实验表明 ,这一方法具有广泛的应用前景 ,特别在那些与人类视觉相关的研究领域 (如图像分析和模式识别 )中 。