穿戴式手势交互系统与识别算法研究

手势识别一直是人机交互领域的一个重要研究方向.本文开展了基于微机电系统惯性测量单元实现手势灵活控制无人机技术的研究,设计开发了手势采集装置.提出了一种基于加速度计和陀螺仪传感器数据的深度学习框架ConvBLSTM:利用四个卷积层提取原始传感器数据的局部特征,为学习动态连续手势序列的时间特性,将卷积层提取的特征再输入双向循环层来获取全局时序特征,完成了高精度的手势分类.应用到工程项目中,定义了十种无人机手势指令来控制其飞行状态.所提出的方法平均达到了99.2%的高识别精度,相比经典的支持向量机、K近邻、长短时记忆网络等模式识别方法,解决了经典模型精度低、泛化能力差等问题.本文进行了多次实验来验证算法的适用性以及手势分类的准确性,通过数据点长度准确性实验,缩短了手势识别的滑动时间窗长度,提升了无人机实时响应速度.

基于膜力因子法的方形锂离子电池冲击动力响应研究

针对锂离子电池在冲击载荷下的大变形短路问题,首先建立了方形电池的简化模型,基于膜力因子法推导出电池在冲击载荷下的速度和位移运动方程.考虑到外壳厚度和芯材密度的因素,具体研究了方形锂离子电池的冲击动力响应特性.研究表明,通过引入膜力因子法改进的运动方程能够反映电池在冲击载荷下的动态响应机制,预测高速冲击下方形电池的大挠度变形.锂离子电池下部外壳的变形随电池外壳厚度的增加而减小,而电池芯材密实区域随外壳厚度的增加而增加.电池下部外壳的变形和密实区域均随电池内芯密度增加而增大.该文所提出的冲击模型可为方形锂离子电池的动力学性能多功能一体化设计提供理论参考.

整合贝叶斯动态停止策略对SSVEP-BCIs的性能提升研究

由于大脑的状态处于不断变化中,因此提取自脑电图中的特征,其质量并不总是足够高以保证脑-机接口（BCI）的可靠输出。提出了基于贝叶斯估计的动态停止（DS）策略,并将其整合到基于稳态视觉诱发电位（SSVEP）的BCI系统中,以进一步优化和提升SSVEP-BCIs的性能。10人次的实验结果表明,相比于传统的静态停止（FS）策略,DS策略能有效提升信息传输率（ITR）,尤其是使用扩展的典型相关分析的DS策略相比FS策略提升了7.85%。另外,使用总体任务相关成分分析的DS策略得到的平均和最高ITR分别是352.3和435.7 bits/min。因此,证明了通过整合DS策略可以进一步提升SSVEP-BCIs的性能,并有希望推广到实际应用。

一种基于几何关系的无人机航迹规划方法

为适应现有飞控算力,提高计算效率,提出一种基于几何关系的无人机航迹规划方法。该方法通过计算几何和向量操作快速解决二维区域避障问题,避免全局地图栅格化表示问题,有效减小计算时间,并且保证优化水平,规划时间能够达到毫秒级。同时,该方法支持障碍区域实时上传,在线规划动态计算,并且考虑了无人机转弯半径,无需对规划航迹进行平滑。数值仿真和飞行试验对比充分验证了该方法的可行性和有效性,规划航迹达到了优化水平。

基于机器学习的非结构网格阵面推进生成技术初探

网格生成和自适应是制约计算流体力学未来发展的瓶颈问题之一,网格生成自动化和智能化仍是一个需要持续研究的领域.随着高性能计算算力的提升和大数据时代的到来,以机器学习为代表的人工智能方法已经成功应用于包括流体力学在内的多个领域,革命性地推动了这些领域的发展.本文首先简要综述机器学习方法在非结构网格生成领域的研究进展,分析基于机器学习进行非结构网格生成的关键问题;其次,设计非结构网格样本数据格式并实现了样本数据集的自动提取,通过结合人工神经网络和阵面推进法,初步发展了一种基于人工神经网络的二维非结构网格阵面推进生成方法;最后,采用新发展的方法生成了几个典型二维各向同性非结构三角形网格(二维圆柱、二维NACA0012翼型和30p30n三段翼型),进一步采用合并法生成了相应的三角形/四边形混合网格,并测试了网格质量和生成耗时,结果显示本文方法生成的网格质量可以达到商业软件的水平,且生成效率较传统阵面推进法提高30%.

基于人工神经网络的非结构网格尺度控制方法

网格自动化生成和自适应是制约计算流体力学发展的瓶颈问题之一,网格生成质量、效率、灵活性、自动化程度和鲁棒性是非结构网格生成的关键问题.在非结构网格生成中,网格空间尺度分布控制至关重要,直接影响网格生成质量、效率和求解精度.采用传统的背景网格法进行空间尺度分布控制需要在背景网格上求解微分方程得到背景网格上的尺度分布,再将网格尺度从背景网格插值到真实空间点,过程十分繁琐且耗时.本文从效率和自动化角度提出两种网格尺度控制方法,首先发展了基于径向基函数(RBF)插值的网格尺度控制方法,通过贪婪算法实现边界参考点序列的精简,提高了RBF插值的效率.同时,还采用人工神经网络进行网格尺度控制,初步引入相对壁面距离和相对网格尺度作为神经网络输入输出参数,建立人工神经网络训练模型,采用商业软件生成二维圆柱和二维翼型非结构三角形网格作为训练样本,通过训练和学习建立起相对壁面距离和相对网格尺度的神经网络关系.进一步实现了二维圆柱、不同的二维翼型的尺度预测,RBF方法和神经网络方法的效率与传统背景网格法相比提高了5~10倍,有助于提高网格生成的效率.最后,将方法推广应用于各向异性混合网格尺度预测,得到的网格质量满足要求.

基于并行跟踪检测框架与深度学习的目标跟踪算法

在空地协同背景下,地面目标的移动导致其在无人机视角下外观会发生较大变化,传统算法很难满足此类场景的应用要求。针对这一问题,提出基于并行跟踪和检测(PTAD)框架与深度学习的目标检测与跟踪算法。首先,将基于卷积神经网络(CNN)的目标检测算法SSD作为PTAD的检测子处理关键帧获取目标信息并提供给跟踪子;其次,检测子与跟踪子并行处理图像帧并计算检测与跟踪结果框的重叠度及跟踪结果的置信度;最后,根据跟踪子与检测子的跟踪或检测状态来判断是否对跟踪子或检测子进行更新,并对图像帧中的目标进行实时跟踪。在无人机视角下的视频序列上开展实验研究和对比分析,结果表明所提算法的性能高于PTAD框架下最优算法,而且实时性提高了13%,验证了此算法的有效性。

面向点云配准和地点识别的多头旋转注意力网络

点云配准和地点识别是移动机器人和自动驾驶车辆实现自主定位的关键技术.目前鲜有方法能够在实现高效地点识别的同时输出准确的6自由度位姿.本文提出了一种新颖的多头网络,该网络首先在统一的主干网络中提取稀疏而特征显著的点,随后分别在稠密点匹配头中解决点云配准问题,在全局描述头中解决地点识别问题.其中,在主干网络中创新应用3D-RoFormer机制,以一种低计算和存储复杂度的方式显式地编码特征点之间的相对位姿信息,从而学习到更显著和鲁棒的点特征,有效提高了网络的特征表达能力.在稠密点匹配头中,首先,构建稀疏点可靠的匹配关系,并据此由粗至精地确定稠密点的匹配关系,进而优化位姿估计.在全局描述头中,网络将稀疏的特征点及其特征向量进行压缩编码,获得对相关点云的全局描述子,实现高效的地点识别.为了验证算法的有效性并评估其性能,本文针对不同环境、不同传感器获得的数据集开展了实验研究.实验结果表明,本文方法在所有测试数据集中都具有很好的泛化能力,并较当前先进方法都有更优或相当的表现,降低连续点云配准误差约27%,降低闭环点云配准误差约37%.

面向空间态势感知的天基可见光空间目标自主跟踪方法

天基可见光(space-based optical,SBO)监视是空间态势感知的重要手段之一.传统的天基观测平台都需要在自身精密星历已知的情况下,通过对目标的测量,确定其状态.而本文提出了自主天基空间目标监视的概念,天基可见光观测平台在自身精密星历未知时,也可以完成空间态势感知任务.与传统的目标跟踪不同,此方法只需依靠平台获取的在惯性系下描述的仅测角测量信息,便可实现自主定轨.结合长弧段的观测数据,本文给出了基于历史数据的事后自主轨道改进算法.通过分析发现,观测卫星对其他目标观测的历史数据也可用于改进原有的被观测目标的轨道.基于此,本文提出了通过额外测量量辅助下的实时自主跟踪策略,可通过单星搭载多SBO相机,对多目标同时跟踪的方式实现.最后,本文通过仿真算例验证了所提出方法的可行性.与传统的空间目标跟踪相比,虽然自主跟踪的精度较低,但在同时跟踪两目标时,尤其是在同时跟踪低轨和高轨两目标的情况下,估计精度能接近传统方法的水平.本文为发展自主天基空间态势感知平台提供了可行的方法.