基于高级语义特征蒸馏的增量式连续目标检测方法

现代防御要求智能感知算法具备复杂开放场景下增量式连续学习能力,而传统深度学习方法基于全体数据进行封闭训练,导致其应用能力和使用范围受限。现有连续学习算法面临灾难性知识遗忘问题,提出一种基于高级语义特征蒸馏的增量式连续目标检测方法,通过高级语义特征引导高价值底层特征的选择,将该特征从教师模型蒸馏到学生模型,从而有效促进旧任务知识传递,缓解灾难性知识遗忘。在公开图像数据集MS COCO上的实验表明,该方法在各类连续学习场景下的目标检测性能均超越先前最好方法,有望推动智能系统在动态开放场景下持续学习能力和自主遂行能力生成。

面向离散模型的B-rep构建、特征简化及网格生成方法

由逆向工程得到的离散模型网格质量较差,缺乏几何信息,且包含大量细小特征,通常不能直接用于有限元分析。面向离散模型的高质量曲面网格生成,提出了一套构建离散模型的边界表征(boundary representation,B-rep)算法,并在此基础上实现了特征简化和网格生成。首先识别离散模型的特征信息,并以此构建离散模型的B-rep表达;随后自动识别模型中不必要的特征,并通过虚操作予以消除;最后基于球填充算法和加点/删点方法生成高质量的网格。实验结果验证了所提算法的有效性和实用性。

卫星长期集群飞行的稳定性与灵活性分析

针对卫星在轨长期集群飞行问题,提出一种使用相对轨道要素(Relative Orbital Elements,ROEs)描述的稳定性与灵活性的分析方法,使用相对轨道要素描述了卫星集群飞行的被动安全和通信保持需求,通过集群成员的状态转换和漂移分析,研究了卫星集群的稳定性;通过描述集群的尺度、最优填充和扩展性问题,分析了卫星集群的灵活性。通过仿真,比较了不同的卫星集群构型在多种指标下的优缺点。使用相对轨道要素描述的稳定性与灵活性分析方法,为卫星集群飞行任务选择提供了依据。

时空域稀疏条件下基于雷达回波时序依赖关系的目标检测

该文基于低慢小目标探测的地面预警雷达实测回波数据,系统性地提出了一种数据驱动式的目标检测方法框架,解决了两个关键问题:(1)针对当前数据驱动式的目标检测方法未能充分利用特征表示学习来发挥优势的问题,提出了回波时序依赖关系的表示学习方法,并给出无监督和有监督学习的两种实现方式;(2)低慢小目标在雷达探测范围中呈现稀疏性,目标-杂波数目的极度不均衡致使网络判决面严重向杂波倾斜。因此,该文提出利用异常值检测方法中的样本均衡思想,有效缓解了检测模型的判决偏移问题。最后基于实测数据对所提方法框架的各组成部分进行了消融实验,实验结果充分验证了回波时序性特征表示学习和样本均衡策略的有效性。在实测序贯验证条件下,两种检测方法均取得了优于多种CFAR方法的综合检测性能。

面向空天防御体系的多任务可控涌现机制研究

群体智能涌现研究对于人们理解自然界规律,优化社会管理,推进知识创新有重要作用,空天防御体系为群体智能涌现提供了研究和应用的新场景。然而,空天防御体系是典型的非线性系统,系统的可控涌现面临状态空间指数爆炸、动态过程建模复杂、性能分析困难等问题。面向战场防御场景,针对空天防御体系面临的大规模目标应对、复杂任务场景适配、多任务协调配合、复杂系统设计等问题,开展了面向空天防御体系的可控涌现机制研究,探究空天防御体系的涌现机制,为提升空天防御体系的多目标应对能力、场景快速适配能力和空天防御体系要素之间的有效协调配合能力提供新视角。

基于强化学习的通信受限环境多无人机协同策略

随着人工智能技术的发展,空域无人作战正由“单平台遥控”向“多平台协同”转变。多无人机协同作战任务具有非完全信息、通信受限、高实时、强动态等特点,给协同决策生成带来巨大挑战。针对通信受限环境中的多无人机协同决策问题,提出一种基于动态层级网络通信架构的通信强化学习协同策略,该策略能够显著减少无人机集群间的通信次数,同时准确传递其决策需要的信息,从而得到较优协同策略。针对多无人机协同围捕的典型任务场景,基于OpenAI平台对所提出的算法进行了仿真验证。结果表明,与传统强化学习算法相比,提出的通信强化学习策略可以显著减少无人机间的通信次数,同时在一定程度上避免潜在的信息欺骗问题。完成任务需要的平均通信次数相比于传统两两通信结构减少约77%,为实现通信受限环境中的多无人机协同任务提供技术支撑。