信息与控制杂志

信息与控制杂志2023年第5期

• 基于多核相关滤波X波段雷达多目标跟踪算法

  杨金龙, 成勇, 刘佳

  针对雷达X波段数据存在较大背景及杂波干扰、目标形变以及目标被遮挡和相互干扰，导致目标被漏检错检，从而出现漏跟和错跟问题。提出一种基于多核相关滤波的多扩展目标优化跟踪算法，引入多帧速度信息卡尔曼滤波和融合交并比的距离测度，对存活目标、新生目标和消失目标进行自适应识别与更新，利用全局和局部检测的三步法进行航迹估计，此外，提出了多核相关滤波模板优化方法，将模板创建时间转化为自适应权重，从极大似然的角度优化模板融合，能够有效适应对复杂形变多扩展目标跟踪和对漏跟目标的重识别。实验结果表明，提出算法对X波段雷达多目标具有较高的跟踪鲁棒性较好。

• D2D-NOMA系统中混合离线-在线资源分配机制

  唐睿, 何祖涵, 张睿智, 岳士博, 庞川林, 何金璞

  针对终端直通(device-to-device，D2D)通信增强的非正交多址接入(non-orthogonal multiple access，NOMA)系统中复杂的同频干扰，联合模式选择和功率控制最大化比例公平和速率，从而平衡频谱效率和用户公平性。针对原混合整数非凸优化问题，提出了一种混合离线-在线资源分配机制：在离线训练阶段，首先通过变量变换将剩余的功率控制子问题等价转化为凸优化问题，继而借助成熟的凸优化工具在毫秒级时间内得到全局最优解。基于上述优化结果，进一步利用深度Q学习算法构建从模式选择方案和信道状态信息到最佳模式调整策略之间的映射关系。训练后的资源分配机制仅需执行简单的代数操作并求解单个凸优化问题，故适合在线部署。仿真结果表明，所提混合离线-在线机制有效平衡了算法性能与运算时间，相比于通过遍历得到的全局最优解，其在仅损失约10%的性能下将平均运算时间降低了94.54%。

• 基于最大分类器差异域适应方法的3维点云分类

  郑成杰, 郑之

  实现快速且高精度的点云分类算法对自动驾驶、3维场景识别、地图重建、工业机器人等应用领域起着重要的作用。针对目前传统3维点云分类算法存在着深度学习需要海量带标签训练数据以及在网络中没有考虑到3维点云数据的局部信息的不足，基于最大分类器差异域适应方法，设计了一种3维点云分类框架。首先使用PointNet点云分类网络作为网络的基本框架，其次在特征网络中添加自适应节点模块以处理3维点云的局部特征，最后利用领域自适应方法中的最大分类器差异域适应方法对网络的全局特征进行训练，有效缓解对海量训练数据的依赖性。在3维点云数据集PointDA-10的6种迁移组合对所提方法进行实验验证，在其中5种组合的分类准确率优于传统的点云分类算法，并且在减少20%训练数据量的情况下仍能较传统方法有效提升分类准确率。

• 一种面向下肢假肢的运动意图识别方法及验证

  唐易, 陈奕希, 喻洪流, 石萍

  对截肢者下肢运动意图的准确识别是提高下肢假肢人机交互性能，降低假肢使用者运动能耗的关键。基于健康受试者在不同运动模式的下肢表面肌电信号(sEMG)和由六自由度惯性测量单元(IMU)采集到的角速度信号、加速度信号等运动学信号设计了一种面向下肢假肢的运动意图识别方法，并通过髋截肢者的健侧肌电和两侧下肢的运动学数据对上述方法进行可行性和有效性验证。结果表明，该方法能在健康受试者的多源传感信息中选出最适于分类的最小特征子集，并在精细K最近邻(KNN)分类器中实现对站、平地走、上下楼梯、上下斜坡这6种不同运动意图高达99.2%的识别准确率；同时在髋截肢者这一类高位截肢患者的多源传感信息中依然能筛选出最小特征子集并实现高达99.8%的识别精度。实验结果说明了所提出方法的有效性和普遍适用性。

• 基于动态反向学习和莱维飞行的双搜索模式萤火虫算法

  陈娟, 赵嘉, 肖人彬, 王晖, 康平

  针对多目标萤火虫算法在解决复杂多目标问题时存在收敛性差和分布性不足的问题，提出了基于动态反向学习和莱维飞行的双搜索模式萤火虫算法(MOFA-LR)。该算法通过比较任意一只萤火虫与种群中其余萤火虫的适应度值，判断它们之间的支配关系，根据不同的支配关系选择不同的搜索模式。当萤火虫被支配时，应注重向帕累托前沿上的优质解靠近，因此通过动态反向学习策略求出当前个体的反向解，使用反向解结合全局最优解共同引导萤火虫移动的搜索模式，能够发掘潜在的较好解，使萤火虫最大可能地向有利方向移动，改善了算法的收敛性；当萤火虫不被支配时，应注重获得均匀分布的帕累托前沿，因此使用全局最优解引导萤火虫飞行并结合莱维扰动的搜索模式，既能有效利用非支配解的优良信息，又能避免算法陷入停滞，在改善算法收敛性的同时维护了分布性。最后，为避免算法在迭代后期出现萤火虫严重聚集的现象，添加变异算子帮助种群跳出局部最优，引导种群进行局部开采。将MOFA-LR与12种新近多目标优化算法进行比较，实验结果表明，MOFA-LR具有良好的收敛性和分布性，证明了所提策略的有效性。

• 结合语义信息的视觉里程计动态特征点剔除方法

  闫河, 黄奎霖, 王潇棠, 张唯

  针对视觉同时定位与地图构建(SLAM)算法的视觉里程计在动态场景中受动态物体干扰致使帧间特征点误匹配，导致相机位姿估计误差大、定位精度低、鲁棒性差等问题，提出一种结合语义信息的视觉里程计动态特征点剔除方法。采用改进的YOLOv5目标检测网络为视觉里程计提供物体的语义信息，然后结合对极几何约束的运动一致性检测算法确定目标检测边界框中的动态物体，从而实现动态特征点的有效剔除，最后，仅利用静态特征完成位姿估计与定位。在TUM数据集上对比实验结果表明，其绝对轨迹误差(ATE)、平移和旋转相对位姿误差(RPE)的均方根误差(RMSE)值与ORB-SLAM2相比分别降低了97.71%、95.10%和91.97%，验证了所提出的方法显著降低了动态场景下的位姿估计误差，提高了系统的准确性和鲁棒性。

• 面向单臂组合设备中紧急订单的调度

  李金成, 潘春荣

  随着晶圆制造模式向多品种、小批量的转变，在实际生产过程中频繁出现紧急订单插入的情况，不合理的调度策略将降低组合设备生产效率。为了提高组合设备的生产柔性，研究了在考虑晶圆逗留时间约束条件下，单臂组合设备面对紧急插单时的调度问题。首先，对紧急插单的加工过程进行分析，提出针对单臂组合设备的机械手调度规则，实现了加工过程的可调度性。其次，对于因加工参数不同产生的两种加工状态，分别推导出可调度性判断条件，然后给出用于求解机械手等待时间的数学解析式。最后，提出组合设备面对紧急插单时的最优调度算法，并通过实例验证和对比分析的方法验证了该调度方法的有效性。

• 基于ResNet-ViT的海战多目标态势感知

  朱小勇, 陈胜

  战场态势意图由一系列战术动机组成，具有时序、动态、多目标等特点。现有的态势感知方法中存在只研究单目标或忽略时序性的问题。在海战多目标、长周期的背景下，针对以上问题，提出了一种基于ResNet-ViT网络的海战综合态势感知模型。其中ResNet (Residual Network)网络用于提取目标之间的空间特征，而ViT (Vision Transformer)网络则利用Transformer能够挖掘长距离依赖的特性来捕获时序特征。结果表明：模型能以92%~95%的准确率(预测正确的样本的数量与总样本数量的比例)预测海战意图，解决了长周期下多目标协同作战的意图预测问题。

• 轮腿式平衡机器人控制

  陈阳, 王洪玺, 张兰勇

  针对轮腿平衡机器人的整体控制问题展开研究，建立了机器人动力学模型，采用LQR (linear quadratic regulator)算法对解耦后的平衡与纵向运动子系统进行分析，并设计控制器。利用VMC (virtual model control)的思路，将倒立摆机器人中的力矩转换成轮腿结构中关节力矩。通过搭建仿真平台(Simulink Mulitibody)对控制器的性能进行仿真实验。设计相应控制器对机器人高度与横滚姿态等状态进行控制，并在实际机器人中进行验证整套控制器的性能，具有一定的理论价值和实际应用价值。

• 基于时间距离-熵减策略的同步定位与地图构建算法

  李维刚, 钟正, 王永强, 余楚翔

  针对LIO-SAM (lidar inertial odometry-smoothing and mapping)算法在小范围室外建图时后端基于距离和时间阈值的回环检测存在误检测、重复检测的问题，本文提出一种基于时间距离—熵策略改进后端回环检测的TDE-LIO-SAM (LIO-SAM based on time distance-entropy reduction strategy)算法。该算法首先通过距离阈值和时间阈值初步筛选出备选的回环，然后根据回环点云的熵值减少量来确定最终的匹配回环，同时考虑到TDE-LIO-SAM在实际工程中的应用，引入了一种针对六轴IMU (惯性测量单元)快速重力对齐方法，使LIO-SAM在使用6轴IMU时也能快速进行重力对齐，进一步提高了算法对不同规格传感器的适用性。在开源KITTI数据集和自采数据集下进行实验，实验结果表明改进后TDE-LIO-SAM算法相较于LIO-SAM算法回环误匹配数量显著减少，定位精度提升8%以上，在KITTI07数据集上绝对定位精度达到5 cm以内。

• 图像超分辨率重建的循环两级残差网络

  董彪, 张生, 韩韧

  针对当前基于深度学习图像超分辨率重建方法模型规模大、重建效率低等问题，提出了一种能够获得性能和网络规模优越平衡的图像超分辨率重建网络。首先，利用局部更宽残差块结构，设计了两级残差特征提取模块；然后，以该模块为基础，使用特征图循环传递的方式来构造深层特征提取网络，这可以使得多个网络层共享参数，提高了网络的效率；最后，改进了以往惯常使用的上采样方法，为了弥补分辨率扩张带来高频信息的损失，采用多尺度联合学习的机制构建上采样模块。实验结果表明，与相同类型网络相比，本文方法在维持网络规模较低时，获得了优秀的性能指标和视觉效果。

• 多边缘节点场景下的计算任务卸载算法

  刘耿旗, 张旭秀, 马洪源, 闫涵

  针对多边缘卸载环境下存在异地边缘服务器设备空闲从而导致资源浪费以及效率低和能耗大的问题，提出了一种基于改进蛙跳算法的多边缘多设备卸载模型，随机生成终端设备位置并判断其可卸载服务器的列表，将时延与能耗的加权和作为判断卸载决策优劣的目标函数，且为满足计算任务卸载模型的需求，对标准蛙跳算法进行改进，加入自适应权重同时基于异或操作进行青蛙个体位置的更新，并引入遗传算法的变异思想。最后，将提出的卸载算法与4种其他主流卸载算法进行对比，仿真实验结果表明提出的卸载方案得到的卸载决策更优，目标函数值即时延和能耗的优化明显优于其他算法。