基于运动轨迹预测控制的机械臂目标捕捉策略

利用机械臂捕捉运动中的物体是一项极具挑战性的任务,目标的轨迹预测、落点计算以及机械臂的运动控制需要在毫秒级内完成。为此提出一种基于运动轨迹预测控制的机械臂目标捕捉策略。首先,结合长短时记忆神经网络和卡尔曼滤波算法,设计一种改进的运动轨迹预测模型,实现动态目标的落点计算。其次,采用基于模型预测方法的位置视觉伺服控制,用于实时修正机械臂的姿态,从而实现运动物体的捕捉。最后,建立基于UR5机械臂的仿真与实验环境,验证所提方案的有效性。

空间自旋目标混合EFIR/DFT运动轨迹预测算法

针对自旋目标运动轨迹的跟踪与预测中鲁棒性与时效性问题,本文提出一种在视觉测量目标位姿的基础上,通过混合扩展有限冲击响应(EFIR)/离散傅立叶变换(DFT)估计目标状态与特征参数,进而预测目标轨迹的方法。在视觉相机对目标特征点位姿测量的基础上,将运动过程分解为平动与转动,时域与频域同步估计目标的状态与动力学参数,采用DFT估计与平动相关参量,采用EFIR估计与转动相关参量,根据空间漂浮目标动力学方程,实现在过程噪声与量测噪声未知的复杂条件下对目标轨迹的长期准确预测,并通过地面机器人模拟试验对预测方法的正确性和有效性开展验证。结果表明:利用本文提出的方法实现了对空间自旋目标运动轨迹的准确预测;与传统基于扩展卡尔曼滤波的预测方法相比,在过程噪声、量测噪声未知的条件下,文中提出的方法有效缩短了参数收敛时间,提高了参数估计与轨迹预测精度。

嵌入节点运动轨迹预测算法的ETX路由判据

将节点运动轨迹预测机制引入到ETX路由判据中,该机制作用于ETX判据生效之前.根据某个节点的历史地理信息和当前地理信息构建差分自回归移动平均(ARIMA)模型,通过该模型预测下一时刻节点的地理位置,从而获取其运动轨迹.根据预测结果,如果链路两端的节点仍处于对方的通信范围内,就以ETX作为路由判据;如果两个节点将离开彼此的通信范围,那么这条链路就此失效.仿真结果表明,加入预测机制减少了对高丢包率链路的选择,降低了路由中断的频率,因此网络平均吞吐量有较大提高,丢包率下降.

面向弱势道路使用者的多目标运动轨迹预测方法

针对复杂行驶环境下弱势道路使用者(VRU)多目标轨迹预测方法存在的预测精度不足和预测性能不稳定的问题,提出一种基于历史序列信息的面向VRU的多目标轨迹预测方法(Vulnerable Road User Trajectory Predictor, VRU;P)。首先,为了解决预测精度不足的难题,该轨迹预测方法框架融合时空的多维运动状态特征和多维外观语义特征因子,同时基于外观特征综合考虑目标的运动意图,提取多线索的轨迹预测因子作为各个VRU目标历史轨迹的编码输入。其次,为了克服现有方法预测性能不稳定的难题,在序列到序列的编解码器方法(Seq2Seq Encoder-decoder)的基础上,从网络结构设计和网络优化策略等方面提出适用于VRU轨迹预测的门循环神经网络(GRU)。该网络融合设计的plelu6激活函数,能基于历史的序列信息映射学习未来的轨迹信息,用来提高编解码器对未来轨迹的解码能力。最后,为了验证时空多元轨迹线索和门循环神经网络优化方法的有效性和实用性,在已公开的MOT16数据库和提出的VRU-Track数据库上,采用在图像空间上通用的归一化平均位置偏移(NADE)、平均重叠率分值(AOS)评价指标以及平均成功率(ASR)和成功率曲线(Success Plot)评价指标,并进行试验验证。研究结果表明:在MOT16划分的验证集中,相比于基准方法,NADE下降了19.4%,ASR提高了22.6%;在VRU-Track数据库测试集中,NADE下降了23.0%,AOS提高了17.1%,ASR提高了16.5%;提出的VRU;P方法减少了预测值与真值之间的位置偏移,增加了预测值与真值的重叠率,提升了各类VRU目标轨迹预测的性能,而验证了该方法的有效性。

基于监控视频信号的电梯门运动轨迹识别算法

提出了一种基于监控视频信号的电梯门运动轨迹识别算法。首先,为了提高电梯门识别的准确度,将边缘检测、阈值分割两种思想相结合,提出了一种基于两者的电梯门识别算法,能够较为准确地识别电梯门的运动轨迹;然后,依据运动轨迹预测和跟踪的思想提出类高斯加权模型对原算法进行改进,提高了算法的鲁棒性。实验结果表明,该算法能够在复杂的环境下准确且稳定地对电梯门的运动轨迹进行识别和追踪。

基于预测的WMSNs目标跟踪协作处理方法

提出一种基于预测的无线多媒体传感器网络(WMSNs)目标跟踪协作处理方法。建立全向感知模型,由图像准确定位目标空间坐标位置。组织传感器节点休眠,基于自回归移动平均模型(ARMA)和径向基函数网络(RBFN)进行目标运动轨迹预测,唤醒节点完成协作处理。使用形状上下文的匹配(Shape Matching)算法,避免多节点冗余信息传输。仿真结果表明,基于ARMA-RBFN预测的唤醒机制使能耗降低25倍以上,Shape Matching可减少传输数据量20%。

基于LSTM-EMD模型的船舶航迹预测方法

船舶运动轨迹预测是船舶避碰、海上交通管理等领域的一个关键问题,对于提高航海安全性有着不可忽视的作用。现有成果包含了许多不同的轨迹预测模型,但很少有关于预测误差和补偿技术的研究。针对船舶轨迹预测与补偿技术,提出了一种结合长短时记忆(Long Short-Term Memory,LSTM)神经网络模型和经验模态分解(Empirical Mode Decomposition,EMD)算法的预测框架,包含数据预处理、LSTM模型预测、EMD分解、残差预测及补偿,利用AIS(Automatic Identification System,AIS)数据进行实验验证,实验结果表明:与BP神经网络模型和LSTM神经网络模型相比,该组合模型的均方根误差和平均绝对百分比误差均为最小,是一种预测精度更高的船舶运动轨迹预测方法。

业务驱动的密集移动终端网络资源预留方法

为提高密集移动终端商圈区域的终端服务质量,提出一种基于业务驱动资源预留的密集移动终端网络接入方法。根据网络属性、终端运动预测轨迹和业务类型,为高优先级业务终端预留资源量,在尽可能少牺牲低优先级业务服务质量的前提下,使高优先级业务终端获得稳定可靠的网络服务,并通过时间触发公平机制保障低优先级业务终端的网络接入资源。仿真结果表明,该方法不仅能够保障高优先级业务移动终端在异构网络中的接入质量,提高网络资源利用率,而且可以降低热点高容量场景下低优先级业务终端的接入失败率,改善用户体验质量。

一种面向路口车辆行为识别的改进LSTM分类模型

针对传统LSTM分类模型对车辆直行等行为识别准确率不高的问题,提出一种改进LSTM分类模型。在改进模型中,首先把输入特征进行横向合并,再输入1个LSTM细胞。该模型可以充分利用输入信息,减少计算量,单个LSTM细胞模型具有较强的抗干扰能力、更好的分类效果以及更快的训练速度。实验表明,改进后的模型较改进前总体识别准确率提高1.6%,其中直行识别准确率提高2.04%,训练时间减少3.96 s,识别准确率和训练速度较改进前的模型均有所提升。

自动驾驶中的计算机视觉技术研究

：计算机视觉在自动驾驶系统中占据了非常重要的位置.本文将对计算机视觉技术是如何应用到自动驾驶中的进行简要介绍,并讨论在面对行人运动轨迹预测这类自动驾驶难题时计算机视觉技术应扮演怎样的角色.

多基站下基于信号到达时间的室内三维定位

对基于无线电信号的到达时间(TOA)的定位技术进行了研究.首先,建立了TOA测量值与真实值间的函数关系,通过求解含惩罚项的非线性最小二乘问题实现终端定位和噪声估计,并在已有研究的基础上提出了Alternating Iterative Reweighting(AIR)算法;其次,利用基站之间的几何位置进行筛选,根据每个终端信息完成自适应的最少基站的选择及定位;并结合物理特性实现终端运动轨迹预测;最后,根据基站通信半径筛选出可被定位终端,完成定位精度与终端平均连接度数之间关系的建模.