基于两级KELM模型的锂电池荷电状态估计

为了提高锂电池荷电状态(State of Charge,SOC)的估计精度,提出一种采用两级核极限学习机(Kernel Extreme Learning Machine,KELM)模型的SOC估计方法。该模型的前后两级分别为SOC预估计模型和误差补偿模型,其内核均采用KELM算法。前一级的SOC预估计模型以电池的工作电压和电流作为输入变量,SOC预估计值作为输出变量;后一级的误差补偿模型以预估计模型的输入和对应的输出作为输入变量,SOC预测误差作为输出变量;然后,采用后一级的误差预测结果对前一级的SOC预估计值进行补偿,得到最终的SOC估计值。为验证该方法的有效性和先进性,分别在锂电池恒流放电工况测试和动态应力测试两种情况下开展了实验研究,对比分析了ELM、KELM和两级KELM三种方法的估计精度。实验结果表明,本文所提的两级KELM模型估计精度有显著提高,最大误差不超过1.36%。

退火处理对低阻LCD屏ITO薄膜光电性能的影响

采用磁控溅射法制备氧化铟锡(ITO)薄膜,对制备好的ITO薄膜样品进行不同温度、不同时间的退火处理。用WGT-S透过率雾度仪、四探针测试仪测量退火后的电阻屏ITO薄膜光电性能参数,并采用扫描电子显微镜观测退火前后薄膜的表面状态,分析退火处理对电阻屏ITO薄膜光电性能的影响。研究结果表明:制备的ITO薄膜的最佳退火温度为400℃,退火时间约为70 min。

基于激光雷达和相机融合的目标检测算法

基于多模态焦点稀疏卷积的目标检测算法对小尺寸目标检测精度不足的问题,提出一种多尺度特征提取网络.算法融合多尺度特征,提取网络优化原始算法中的特征提取部分,提升行人和自行车类别的定位精度,加入多模态焦点稀疏卷积目标检测网络.结果表明,改进后的目标检测模型提升了小目标“Pedestrians”类和“Cyclist”类检测的mAP(mean Average Precision)百分比,提升了小尺度目标的定位精度.

动态遮挡场景下基于改进Transformer实例分割的VSLAM算法

针对传统SLAM(Simultaneous Localization And Mapping)算法在动态遮挡场景下难以标记被遮挡物体,无法准确判断潜在物体运动状态以及剔除动态物体后特征点数量较少等问题,提出一种动态遮挡场景下基于改进Transformer实例分割的VSLAM算法(Improved Transformer instance segmentation under Dynamic occlusion VSLAM algorithm, ITD-SLAM).本算法通过设计一种多注意力模块,引导模型关注被遮挡区域,同时改进相对位置编码优化被遮挡物体边界语义性,精确标记出潜在动态物体.为减少动态物体对SLAM系统定位精度的影响,通过相机位姿估计、物体运动估计与物体运动判断三个步骤估计潜在动态物体运动状态,并剔除其中的动态物体.根据网格流运动模型补全剔除区域的静态背景,并利用信息熵与交叉熵筛选修复区域特征点,补充高质量特征点用于相机位姿估计.在公开数据集TUM和真实场景中进行验证,结果表明本文算法均方根误差与DynaSLAM相比减少22.94%,表现出了较好的构图能力.

动态场景下基于注意力机制与几何约束的VSLAM算法

针对传统的SLAM算法在动态场景下易出现动态物体检测不完整以及难以准确判断潜在动态物体的运动状态等问题,提出一种动态场景下基于注意力机制与几何约束的VSLAM算法(VSLAM algorithm based on Attention mechanism and Geometric constraints in Dynamic scenes,AGD-SLAM)。该算法通过设计一种聚合注意力模块,引导模型关注图像中的漏检测区域,同时引入自适应空间特征融合网络ASFF,增强特征提取能力,避免漏检测发生。为减少动态物体对SLAM系统定位精度的干扰,通过基于双重静态点约束的位姿优化估计潜在动态物体运动状态,最终使用全部静态点进行位姿估计和地图构建。在公开TUM数据集进行测试,测试结果表明所提算法的绝对轨迹误差与DynaSLAM相比降低了10.98%,表现出良好的构图能力。