信息与控制杂志

信息与控制杂志2022年第6期

• 面向室内动态场景的多传感视觉SLAM方法

  张建华, 张天晶, 赵岩, 张霖, 周浩

  针对传统同时定位与地图构建(simultaneous localization and mapping，SLAM)框架面临动态场景时产生明显定位误差，建立的场景稠密地图会包含动态对象及其运动叠影，从而导致定位与建图鲁棒性不足的问题，面向以人类为主要动态对象的室内动态场景，从“温度”的角度出发，提出基于热像仪与深度相机结合的多传感SLAM协同方案，解决室内动态场景中的定位与建图难题。首先，建立一套针对热像仪与深度相机的联合标定策略，重新设计标定板与标定方案，完成相机的内参标定、外参标定与图像配准，得到一一对应的RGB、深度、热(RDH)三模图像；其次，由热图像得到人体掩模图像，进而在ORB-SLAM2系统框架下构建静态特征提取与数据关联策略，实现基于三模图像的视觉里程计；然后，基于人体掩模图像更新深度图像，滤除人体区域，进而完成基于三模图像的静态环境稠密地图构建；最后，在室内动态场景下进行实验验证，结果表明所提出算法在室内动态场景下可有效剔除动态对象的干扰特征，相对传统SLAM算法具有明显优势。

• 基于深度强化学习与多参数域随机化的水下机械手自适应抓取研究

  王聪, 张子扬, 陈言壮, 张奇峰, 李硕, 王晓辉, 王森

  以水下机械手自主作业的应用需求为背景，针对水下机械手动力学参数时变、工作环境复杂、传感器限制、控制精度低等问题，基于强化学习与多参数域随机化理论提出一个具有通用性的水下机械手作业框架。首先，建立基本的机器人强化学习控制系统，然后采用多参数域随机化方法增强强化学习训练策略的稳定性与策略迁移效果，包括机械手动力学参数、水动力参数、状态空间与动作空间的噪声和延时等；最后，将训练的策略分别迁移到一个新的机器人仿真环境与一款真实的工作级水下机械手上进行实验。大量实验验证了本文所提方法的有效性，为未来真实海域自主作业奠定了基础。

• 能耗优化下的多移动机器人动态避撞机制

  魏文涛, 贾文友, 江磊, 梁利东, 刘莉, 朱良恒

  针对多移动机器人在停车避撞时能耗优化的问题，提出能耗优化下基于滚动时间窗和二叉树先序遍历的多移动机器人动态避撞(TW & BT)融合算法。基于改进A*算法求得能耗约束下的最优初始路径。依据滚动时间窗和二叉树先序遍历协同机制，以初始路径中移动机器人碰撞为触发事件，将整个作业时间轴分解为多个时间窗；在每个时间窗，以停车避撞时产生能耗最小为目标，基于二叉树先序遍历的算法求解最优避撞决策。仿真实验结果表明，一方面TW & BT融合算法具有较高的鲁棒性；另一方面对比基于动态优先级的冲突消解策略(DPS)方法，在相近的计算时间内，TW & BT融合算法实现避撞时产生能耗降低达33.1%。

• 基于模糊信息粒化与混合神经网络的混沌时间序列预测

  孙天宝, 刘媛华

  为了提高对混沌时间序列预测的精准度，提出了一种基于模糊信息粒化和注意力机制的混合神经网络预测模型。首先对数据进行归一化处理，利用模糊信息粒化对数据的复杂度进行简化；然后将经过相空间重构后的样本输入卷积神经网络(CNN)提取空间特征；再利用长短期记忆神经网络(LSTM)进一步提取时间特征；最后将融合特征传递给注意力机制提取关键特征，得出预测结果。选取Logistic、洛伦兹和太阳黑子混沌时间序列进行实验，并与CNN-LSTM-Att模型、CNN-LSTM模型、FIG-CNN模型、FIG-LSTM模型、CNN模型、LSTM模型、支持向量机(SVM)及误差逆传播(BP)模型进行对比分析。结果表明，所提的预测模型预测精度更高，误差更小。

• 结合自注意力和特征自适应融合的语义分割算法

  傅双杰, 陈玮, 尹钟

  针对场景图像语义分割任务中存在多尺度目标以及特征提取网络缺乏对全局上下文信息的获取等问题，设计了一种嵌入改进自注意力机制以及自适应融合多尺度特征的双路径分割算法。在空间路径利用双分支的简易下采样模块进行4倍下采样提取高分辨率的边缘细节信息，使网络对目标边界分割更精确。在语义路径嵌入上下文捕获模块和自适应特征融合模块，为解码阶段提供具有丰富多尺度的高语义上下文信息，并采用类别平衡策略进一步提升分割效果。经过实验验证，该模型在Camvid和Aeroscapes数据集上的MIOU(mean intersection over union)指标分别为59.4%和60.1%，具有较好的分割效果。

• 提高海鸥优化算法寻优能力的改进策略及其应用

  严爱军, 胡开成

  针对海鸥优化算法(SOA)收敛速度慢、容易陷入局部最优等问题，提出3种提高SOA算法寻优能力的改进策略：对非线性收敛因子与螺旋系数进行改进，以改善全局与局部搜索的协调能力，加快收敛速度；通过拓展攻击行为与攻击角度，以并行搜索的方式提升局部寻优性能；引入动态反向学习，使算法快速跳出局部最优，优化全局搜索。基于马尔可夫过程分析了改进海鸥优化算法(ISOA)的收敛性。通过16个基准函数测试了ISOA算法的寻优性能，并将其应用于PID(proportional-integral-derivative)参数整定中，结果表明，提出的改进策略能显著提高SOA算法的收敛速度与求解精度，ISOA算法在参数优化领域具有较好的应用效果。

• 基于ShuffleNet的多尺度高效脑肿瘤分割网络

  霍国强, 李锵, 关欣

  为解决硬件平台资源受限条件下精准实现脑肿瘤区域分割的需求，提出一种基于ShuffleNet的多尺度高效脑肿瘤分割网络。首先以ShuffleNet为基础构建深层特征提取网络，并加入多路平行卷积层和混合感受野增强网络的多尺度信息提取能力；其次，使用深度可分离卷积降低网络的参数量；最后提出一种加权混合损失函数缓解了数据类别不平衡对脑肿瘤分割的影响，提高了网络分割的稳定性。实验选取BraTS2019数据集进行训练和验证，并在BraTS2021临床病人数据集上进行临床测试。结果表明，所提的深层轻量级网络大幅度降低了参数量和计算量，同时具有较高的分割精度，且在增强肿瘤区域的分割问题上有更好的表现。

• 基于余弦相似度反向策略的自然计算方法

  孙小琳, 季伟东, 王旭

  现有的基于反向策略的优化算法大多根据初始种群适应度值大小进行反向择优，没有充分考虑迭代过程中的反向且存在收敛速度慢的问题。针对此问题，提出一种基于余弦相似度反向策略的快速收敛自然计算方法，通过计算每个粒子与区域中心粒子的余弦相似度，将粒子划分为相似子群与非相似子群，对非相似子群按照相似程度进行加权反向，进而加快收敛速度，同时引入柯西扰动提高种群多样性。将该策略应用到三种不同的自然计算方法中，对收敛性进行分析，并采用12个经典测试函数验证其性能，对实验数据进行非参数检验。分析结果表明，应用余弦相似度反向策略的方法在大多数测试函数上表现优异，说明提出的方法具有很好的普适性和有效性。

• Round-Robin协议下基于观测器的多智能体系统H_∞一致性控制

  宋金波, 董宏丽, 申雨轩, 张金南

  针对一类具有非线性动态特性的多智能体系统，研究Round-Robin(RR)通信协议下基于观测器的H∞一致性控制问题。在智能体与其邻居智能体之间的通信信道引入了Round-Robin通信协议，缓解信道拥堵带来的测量丢失、时延等问题。通过RR协议的调度，使得智能体在每一时刻确保能够接收到一个邻居智能体信息。首先，根据智能体的测量输出设计状态观测器，对每个智能体的状态进行估计，然后，根据估计状态设计一致性控制器，基于李雅普诺夫稳定性理论，给出多智能体系统满足H∞一致性性能指标的充分条件，进而通过求解线性矩阵不等式(LMI)获得观测器及控制器参数。最后，将本文设计的控制算法应用于数值仿真和柔性连杆机器人的一致性控制，验证所设计算法的可行性和有效性。

• 基于动态换向策略的开关磁阻电机控制方法

  金爱娟, 刘建鹏, 李少龙

  针对开关磁阻电机(SRM)的自身结构造成的转矩脉动问题以及驱动系统的抗干扰能力，提出了一种基于改进的动态换向策略与改进小波神经网络(WNN)的控制器方案。基于直接瞬时转矩控制(DITC)系统设计了一种动态的换向策略，减少关断以后的相电流，增加开通相电流的被激励程度，进而抑制系统的转矩脉动。此外基于小波神经网络改进了速度控制器，并将系统的输出转矩引入，使得系统能更好地应对扰动，增强系统的鲁棒性。仿真结果表明，与传统直接瞬时转矩控制和基于小波神经网络的转矩控制相比，转矩脉动减少了22.12%到64.14%，负载突变后静态误差仅为0.02r/min到0.01r/min，可以有效减弱转矩脉动且系统的抗扰能力显著提高。

• 基于气象数据可视化降维和多模加权组合的短期负荷预测

  王凌云, 田恬, 童华敏

  针对短期负荷预测中数据预处理的必要性和单一预测模型的局限性，提出了一种基于气象数据可视化降维和多模加权组合的短期负荷预测方法。该方法将可视化降维、模态分解降噪、单一预测模型和权重确定理论相结合，构建了气象数据降维、历史负荷分解、模态分量降噪和多模加权组合的短期负荷预测模型。通过设置3种对比实验环境，对某地区供电公司所提供的电力负荷和气象数据进行分析。预测结果及误差分析表明，所提短期负荷预测方法在保留高维气象因素本质特征结构的同时，能有效结合数据预处理方法及单一预测模型的特点，有效提升该地区电网负荷的预测精度。

• 基于自注意力机制辅助分类生成对抗网络的轴承故障诊断

  邱吉尔, 陶洪峰, 程龙, 沈凌志

  针对传统判别式轴承故障诊断算法在复杂工况下依赖人工特征提取、诊断效果不佳的问题，提出将生成式模型辅助分类生成对抗网络(auxiliary classifier generative adversarial network，ACGAN)用于轴承故障诊断研究。首先，通过快速傅里叶变换将轴承振动信号转为2维频域特征灰度图，设计卷积网络作为模型主体结构，添加批量归一化和LeakyReLU激活函数缓解梯度消失问题；其次，引入自注意力机制(self-attention mechanism，SA)，将数据中相距较远的特征相互关联建立新的SA-ACGAN模型，实现多分类场景下对原始数据分布特征的有效学习；最后，将模型应用于电机轴承进行对比验证，结果表明所提方法故障诊断准确率高达99.7%，并具有良好的鲁棒性和泛化性。