信息与控制杂志

信息与控制杂志2024年第3期

• 云网边端协同云控制研究进展及挑战

  夏元清, 王晁, 高润泽, 詹玉峰, 孙中奇, 戴荔, 翟弟华

  针对网络化控制系统通信与计算资源不足、云控制系统难以完全保证复杂任务实时控制的问题，在云控制系统研究基础上，云网边端协同云控制利用云控制平台层、网络传输层、边缘控制层、终端设备层各自优势，实现互联互通、相互协作、优化运行，是复杂智能系统控制问题的理想解决方案。鉴于此，本文详细阐述了云网边端协同云控制的研究进展。首先，简要介绍了云网边端协同云控制的构成要素；其次，整理了云控制系统各方面的研究成果；最后，详细介绍云网边端协同云控制及其应用研究，并对未来的研究方向进行展望与讨论。

• 多光谱目标检测综述

  王元喆, 梁腾飞, 曾宇乔, 金一, 李浥东

  多光谱目标检测技术是一种利用不同波长光谱的信息来检测和识别目标的方法。该技术结合了可见光、红外、热成像等不同光谱的数据，通过融合多光谱数据来提高目标检测的精确度和鲁棒性。在低光或其他具有挑战性的环境中，多光谱目标检测表现出优越的性能。该技术在夜视监控、气象观测、农业、环境监测等领域有着广泛的应用。本文首先介绍了多光谱图像的定义、获取方式及常用数据集；其次，介绍了多光谱目标检测算法的分类并给出相关算法示例；再次，介绍了多光谱目标检测的应用，重点讨论了多光谱目标检测在行人检测、农业、环境监测等领域的具体应用案例；最后，探讨了多光谱目标检测未来的发展方向。

• 基于加权核密度估计与微簇合并的密度峰值聚类算法

  李智冈, 吕莉, 谭德坤, 康平, 樊棠怀

  密度峰值聚类(DPC)算法作为一种基于密度的聚类算法，因其简单高效而得到广泛应用，但DPC算法易将一个高密度类簇划分为多个类簇且极易产生分配连带错误。对此，提出了基于加权核密度估计与微簇合并的密度峰值聚类算法(WEMCM-DPC)，利用核密度估计和加权K近邻重新定义局部密度，缩小高密度类簇和稀疏类簇的局部密度差异，使类簇中心的识别更加准确；提出了新的微簇间相似性度量准则，减少数据集中过于稀疏或密集样本对其他样本的影响，为微簇合并提供了依据，并且改善了DPC算法的分配连带错误，使聚类结果更加准确。密度分布不均数据集和真实数据集的实验结果表明，WEMCM-DPC算法的聚类结果优于DPC和4个改进算法。

• 基于改进鸡群优化算法运动学与改进鸡群优化-Elman神经网络非运动学的机器人误差标定

  江小辉, 孙翼飞, 郭维诚, 侯春杰, 任斐

  针对工业机器人末端定位误差标定问题，本文从机器人运动学与非运动学两个方面对机器人进行定位误差标定。针对机器人运动学方面，建立了运动学误差模型并提出一种改进CSO(chicken swarm optimization)算法对机器人进行几何参数误差辨识，通过对比LM(Levenberg-Marquardt)迭代算法与PSO(particle swarm optimization)算法验证本文所提出算法的效果，以IRB1200机器人为实验对象，通过APIT3激光跟踪仪采集误差数据，搭建了机器人误差标定实验平台进行实验。经实验测量，机器人末端平均定位误差由2.76 mm下降至1.45 mm，提升了47.5%；同时针对机器人非运动学方面，使用在运动学误差标定中提出的改进CSO算法优化了Elman神经网络的初始阈值与权重，并使用初始参数优化的Elman神经网络建立机器人末端位置误差与机器人关节角之间的映射关系，以预测训练完成的机器人立方体空间内的机器人位置误差，并对比了普通Elman神经网络的预测效果。经实验测量，机器人末端平均定位精度较标定前提升34.9%，验证了本文所提出神经网络的拟合预测效果。

• 基于加速度约束的Delta机器人动态可行域时间最优速度规划

  李文鹏, 杜玉红, 董广宇

  针对传统的Delta机器人运动控制方法存在工作效率低、稳定性差的问题, 在基于可达性分析的时间最优轨迹规划(TOPP-RA) 的基础上, 提出了一种加速度约束动态可行域速度规划方法, 用以解决机器人关节力矩约束下的时间最优控制。将TOPP-RA的全局网格点速度规划调整为局部网格点动态速度规划; 通过消除Delta机器人动力学模型的偏置力矩, 将力矩约束转化为加速度约束以实现自调整加速度, 最终完成动态可行域速度规划。实验表明, 动态可行域速度规划能够达到全局最优的效果且单次求解仅需0.015 s, 并且通过加速度自调整实现了机器人关节力矩约束下安全稳定高效的时间最优控制。

• 基于单目视觉的空中手写数据采集系统

  屈喜文, 韩瑶妹, 胡冕军

  针对基于视觉的空中手写系统使用的3维传感器体积庞大、价格昂贵的缺点, 提出了一种新型的基于单目视觉的空中手写数据采集系统, 该系统用体积小、价格便宜的单目摄像头代替Kinect、Leap Motion等3维传感器, 更适合于手机、空调、电视等家用设备集成和大规模推广使用。为了解决目前基于单目视觉的空中手写系统每次只能写入单个字符或短文本, 用户书写文本长度受到限制的问题, 提出了一种坐标系虚拟滑动技术。首先, 该系统使用背景差分法和HSV(hue, saturation, value)颜色空间阴影消除法从2维视频帧中获取完整的手部轮廓; 其次, 利用手的结构特点将手掌和手指进行分割, 利用构建的指尖模板从分割出的手指中进行匹配来确定指尖的位置; 最后, 连接连续视频帧中的指尖位置形成空中手写字符轨迹, 通过提出的坐标系虚拟滑动技术使用户可以进行连续书写从而形成文本。实验结果表明, 所提系统可以让用户自由地在空中连续书写, 对指尖的检测准确率达到了96.8%。

• 基于语义感知的多特征协同水下图像增强

  陶志勇, 杨煜, 林森

  针对现有水下图像增强方法存在的去雾和颜色恢复效果不佳问题, 提出一种基于语义感知的多特征协同水下图像增强网络。首先, 通过语义感知特征提取模块充分提取原始水下图像的纹理和结构特征; 同时, 将水下退化图像输入到多尺度增强模块中进行对比度增强和多尺度特征细化, 并提取增强图像的全局特征; 然后, 在多特征融合模块中对多分支特征并行调制和融合, 增强多特征分支之间的有效联系和特征表达能力, 抑制冗余信息; 最后, 通过残差连接重构清晰的水下图像。在水下图像增强基准数据集、增强水下视觉感知数据集以及水下图像同步增强数据集上的实验结果表明, 所提方法相较基于像素处理及物理模型的经典算法、其他深度学习算法具有更好的增强效果, 全参考评价指标峰值信噪比及结构相似性分别提升1.72% 和4.3%, 无参考评价指标信息熵提升0.32%。

• 基于改进深度双Q网络的移动机器人路径规划算法

  张磊, 母亚双, 潘泉

  针对传统的基于深度双Q学习网络(DDQN) 的移动机器人路径规划方法在复杂未知环境中面临的搜索不彻底、收敛速度慢等问题, 提出了一种改进的深度双Q网络学习算法(improved deep double Q-network, I-DDQN)。首先, 利用竞争网络结构对DDQN算法的值函数进行估计。然后, 提出了一种基于双层控制器结构的机器人路径探索策略, 其中上层控制器的价值函数用于移动机器人局部最优动作的探索, 下层控制器的价值函数用于全局任务策略的学习; 同时在算法学习过程中使用优先经验回放机制进行数据收集和采样, 并使用小批量数据进行网络训练。最后, 分别在OpenAI Gym和Gazebo两种不同的仿真环境下与传统的DDQN算法及其改进算法进行了对比分析。实验结果表明, 所提的I-DDQN算法在两种仿真环境下的多种评价指标上都优于传统的DDQN算法及其改进算法, 在相同复杂环境中能有效克服路径搜索不彻底、收敛速度慢等问题。

• 部分可观标签时间Petri网的最小代价变迁序列估计

  李雅琼, 黎良

  针对自动制造系统的计划序列问题, 研究了一种部分可观标签时间Petri网的最小代价变迁序列估计方法。所考虑的标签时间Petri网是有界的, 且每个变迁都有一个非负代价。首先, 提出了一种基于时间标签序列(time-label sequence, TLS) 的观测-修正状态类图(observed-modifiedstate class graph, OSCG), 其代表标签时间Petri网系统的部分状态空间。在OSCG中, 搜索出所有与TLS逻辑一致的变迁序列。其次, 通过利用OSCG中与逻辑一致的变迁序列相关的时间约束, 提出了一种基于线性规划的方法以判定与TLS时间一致的变迁序列, 进而求出最小代价的变迁序列。最后, 通过一个实例验证了本文所提方法的有效性。

• 动态场景下基于语义和几何约束的视觉SLAM算法

  刘胤真, 徐向荣, 张卉, 俞青松

  同时定位与地图构建(SLAM) 是智能移动机器人在未知环境中进行状态估计的基本能力之一。然而, 大多数视觉SLAM系统依赖于静态场景假设, 因此在动态场景中具有严重的低精度和差鲁棒性的问题, 此外, 当前已有的动态SLAM系统存在实时性差的问题, 为了解决这些问题, 本文提出了一种面向动态场景下基于语义和几何约束相结合的SLAM系统(Dynamic Semantic Geometric SLAM, DSG-SLAM), 旨在高精度地实现实时运行。DSG-SLAM是在ORB-SLAM2框架下融合GhostNet-YOLOv7目标检测网络和对极几何约束的视觉SLAM系统。具体是在ORB-SLAM2(Oriented FAST and Rotated BRIEF SLAM2) 基础上添加了一个并行的语义线程以获取2D语义信息, 并在跟踪线程中结合语义和几何约束添加了一个快速的动态特征剔除算法。最后, 在TUM(TechnischeUniversit?t München) 公共数据集和真实环境下进行评估, 结果显示, 对于高动态场景, DSG-SLAM的定位精度相对于ORB-SLAM2提升了94.55%, 对于低动态场景, 提升了22.99%, 同时系统运行频率达到了30 Hz, 在保证实时运行的前提下, 有效地提高了在动态场景中的定位精度。

• 基于局部与全局描述符紧耦合联合决策的机器人分层式视觉位置识别方法

  李康宇, 王西峰, 朱守泰

  视觉位置识别是移动机器人维持高精度定位和维护地图一致性的重要手段。然而, 受视点和外观变化的双重干扰, 位置识别问题仍然极具挑战性。本文提出了一种基于局部与全局描述符紧耦合联合决策的分层式视觉位置识别方法。该方法基于多任务知识蒸馏来学习描述符提取能力。经过良好训练的轻量化模型以紧耦合的形式同时提取图像的全局和局部描述符, 并进一步实现局部描述符的二值化表示和词袋空间映射。在所构建的位置识别架构中, 提出了分层式识别策略进行由粗到精的位置检索, 并基于相位相关法分配全局和局部描述符的联合决策权重。在多项基准数据集上的评估结果证实, 所提方法在可接受的匹配效率下实现了匹配性能的显著提升, 在多种复杂环境下表现出较强的泛化性和鲁棒性。

• 基于聚类分析的扑翼飞行机器人视觉图像处理和图像拼接方法

  丁伟, 张峰, 崔龙, 宋敏, 刘钊铭, 王宏伟, 缪磊

  为了解决扑翼飞行机器人实时控制过程中视觉图像自主识别和宽视野导航规划的难题, 实现基于视觉的扑翼飞行机器人的宽视野规划导航控制, 提出了基于聚类分析的扑翼飞行机器人视觉图像处理方法和边缘检测方法, 并且基于块匹配的图像拼接方法, 构建了基于遥操作的扑翼飞行机器人视觉感知构架。利用聚类分析方法对扑翼飞行机器人视觉图像数据进行分类, 并利用典型的边缘检测算法对聚类分析处理后的机器人图像进行图像边缘检测, 合理提取了扑翼飞行机器人视觉目标轮廓特征和环境边缘特征。利用块匹配对扑翼飞行机器人视觉图像数据进行图像配准, 并利用图像融合算法提高了图像清晰度。以扑翼飞行机器人和视觉相机搭建了扑翼飞行机器人实验平台。对基于聚类分析的飞行机器人视觉图像处理方法和图像拼接方法进行了实验验证, 系列实验结果验证了所提算法的有效性。