信息与控制杂志

信息与控制杂志2025年第4期

• 基于深度强化学习的海上搜救覆盖路径规划算法应用

  韩靖童, 余倩, 刘源

  目前海上搜救(SAR)辅助决策系统依旧采用传统的固定式搜寻模式，其存在效率低下、适应性弱等问题。为此，提出了一种基于深度强化学习的海上搜救覆盖路径规划模型。首先，将海上搜救覆盖路径规划问题转化为马尔可夫决策过程。然后，结合DDQN (Double Deep Q-Network)、Prioritized DDQN、Distributional DQN和Noisy DQN，设计了适用于单搜救船只的海上搜救覆盖路径规划算法。最后，通过模拟实验验证了所提算法的可行性和有效性。对比实验结果表明，所提算法无论在路径规划质量还是搜寻效率上，均显著优于其他算法。

• 面向RatSLAM的一种改进的基于RRT算法的自主探索策略

  武彤, 张志慧, 唐凤珍, 许茗

  RatSLAM是一种模拟啮齿动物大脑中导航神经处理机制而提出的类脑导航模型。然而，目前的RatSLAM方法主要依赖于被动的数据集进行实验和建图，这种被动SLAM (Simultaneous Localization and Mapping)方式通常由预先设定的路径或手动控制机器人来采集环境数据，因此在面对新的环境时，其性能往往受到限制。为了克服这一局限性，提出一种改进的基于RRT (Rapidly-exploring Random Tree)算法的自主探索策略用于主动的环境探索。当前主流的自主探索算法在环境内部区域的覆盖往往不足，并且在动态环境中可能需要频繁调整路径，这不利于RatSLAM系统的定位和地图更新。相比之下，基于RRT算法的自主探索策略在高维和复杂环境中能够高效探索，实时适应动态变化，并提供全面的环境数据。然而，传统的基于RRT算法的探索方法生成的路径通常不够平滑，不符合动物环境探索活动规律，难以模拟动物真实的运动轨迹，因此不能满足类脑导航的数据采集要求。为此，提出了一种改进的基于RRT算法的自主探索策略，并将其与RatSLAM系统相结合。这一策略使得机器人能够在未知环境中自主移动并采集环境信息，同时RatSLAM系统对这些信息进行处理，生成环境的认知地图。仿真和实际环境中的实验结果表明，该方法在主动建图方面取得了良好的效果，类似于生物探索环境的方式，验证了算法的可行性。

• 四旋翼无人机RBF-SMO容错抗扰位姿跟踪控制

  古训, 王鹏博

  四旋翼无人机在高空作业时易受执行器失效故障和外界环境干扰，严重影响飞行安全。因此，针对带有时变执行器故障和时变外部扰动的四旋翼无人机动力学模型，提出了一种新型的复合容错位姿跟踪控制策略。在位置环中，设计比例-微分(PD)控制策略实现四旋翼无人机的位置跟踪控制。在姿态环中结合自适应神经网络和固定时间滑模观测器(SMO)设计了一种复合容错位姿跟踪控制策略，采用基于径向基函数(RBF)的神经网络实时补偿时变执行器失效故障，同时，为了克服外界扰动对四旋翼无人机飞行性能的影响，设计了一种SMO实时补偿时变外部未知扰动且减小了系统的抖振现象。最后，基于李雅普诺夫稳定分析方法证明了闭环系统的稳定性。基于Matlab/Simulink的数值仿真结果表明，相比于传统比例-积分-微分(PID)控制策略，所提出的复合容错位姿跟踪控制策略具有较快的收敛速度、较高的位姿跟踪精度及较强的容错控制性能。

• 基于单视图6维位姿估计的机器人抓取

  白素琴, 顾健, 吕宗磊, 史金龙, 於跃成, 钱强

  现实场景中物体种类多样、摆放位置随机，会导致智能机器人物体识别困难，抓取成功率不高。针对这一问题，提出一种在遮挡、同类多目标、堆叠等复杂情况下机器人抓取的方法。基于通道注意力机制ECA (Efficient Channel Attention)和残差网络ResNet (Residual Network)，设计了编解码器结构的单视图6维位姿估计网络；利用合成数据集制作方法生成了6维位姿估计和抓取训练数据集；机器人抓取控制模块根据6维位姿估计网络的输出以及手眼标定结果，控制UR5机器人实现智能抓取。在Linemod、YCB-Video以及本文合成数据集上的实验结果表明，所提方法的平均抓取成功率达到95%。

• 基于扩展补丁对的弱监督语义分割网络

  孙铭辰, 葛洪伟, 李婷

  针对弱监督语义分割任务中类激活图(class activation map，CAM)与对象种子相关性低、种子区域覆盖目标不完全的问题，提出基于扩展补丁对的弱监督语义分割网络。首先，提出扩展补丁对，并从信息论角度证明扩展补丁对得到的CAM的自信息总和大于标准CAM的自信息，扩展补丁对的CAM与对象种子相关性更高。其次，提出高低阶特征自注意力聚合模块，将图像低阶特征和CAM分别通过自注意力机制增强后聚合，逐像素细化CAM。最后，设计三重网络，将原始图片以及图片的扩展补丁对作为网络输入，通过缩小原始图像CAM与扩展补丁对的CAM之间的差距，训练得到分割精度更高的弱监督语义分割网络。在Pascal VOC 2012验证集和测试集上进行实验评估，平均交并比(mean Intersection over Union，mIoU)分别为72.1%和73.0%。实验结果表明，该网络性能优于当前主流图像级标签弱监督语义分割方法。

• 垃圾协同处置下基于ELM的MISO Hammerstein-Wiener分解炉温度预测控制

  李鑫, 刘海军, 陈薇, 康志伟, 解俊哲, 赵军, 褚彪

  针对传统的线性模型不足以描述分解炉复杂系统的问题，结合垃圾协同处置的背景，研究了一种基于极限学习机(extreme learning machine，ELM)的MISO Hammerstein-Wiener (multiple-input single-output Hammerstein-Wiener)模型分解炉温度建模及预测控制方法，用以实现分解炉温度的稳定控制。模型以喂煤量和垃圾衍生燃料流量(refuse derived fuel，RDF)为输入、分解炉温度为输出，并且采用ELM拟合非线性环节，ARMAX (autoregressive moving average with extra input)模型来描述动态线性环节，递推最小二乘法辨识出模型混合参数，奇异值分解得到模型的参数估计。分解炉控制方法采用两步法预测控制。首先，建立非线性环节逆模型；其次，采用广义预测控制算法得到中间变量；最后，中间变量经过非线性环节逆模型输出得到模型的控制量。仿真实验表明，ELM的引入提高了模型的拟合精度。与传统的预测控制相比，所提的控制方法稳定性更强、跟随性更好。

• 复杂场景下机械臂多动作协同抓取策略

  李德平, 洪楷宣, 柳宁, 王高

  在复杂和不确定的现实场景中，被抓取物体的无序、遮挡和自遮挡关系阻碍了机器人完成场景感知和精确抓取。研究人员提出了主动视觉框架来增强场景感知能力，通过协同视点调整和抓取来完成抓取任务，旨在在紧密堆叠的场景中更好地获得场景信息并分离对象。然而，目前大多数主动视觉与抓取动作都是自上而下的，这限制了机器人对场景的感知能力。本文提出了一种6自由度(DoF)姿态空间中主动视觉感知和抓取协同策略。该策略基于深度强化学习构建视点调整网络(VNet)、4DoF抓取网络(4GNet)和6DoF抓取网络(6GNet)来学习最优协作策略，并根据Q函数和约束选择合适的原始动作。为了将多个视点所捕获的信息融合，还提出了一种视点调整后场景融合方法，通过将多个视点捕获的场景信息集成到固定大小的高度图中来提高机器人的感知面积和质量。实验结果表明，与自上而下的视点调整动作相比，单次视点调整的情况下，该方法获取到的场景面积增大了8.93%，为抓取提供了更全面的场景信息。在包含10个目标对象的杂乱场景中，抓取成功率达到了89.53%，与先进算法VPG相比，本文提出的方法在抓取成功率上提升了12.02%。

• 复杂交通场景下的目标检测方法

  濮志远, 罗素云

  针对复杂交通场景目标检测方法的不足，特别是对小目标和遮挡目标的漏检及多尺度目标检测和模型鲁棒性方面的不足，提出了一种改进后的YOLOv8s-SRCEM (You Only Look Once version 8 small model with Small object detection head，Residual Convolutional block attention module，Efficient channel attention module，and Multi-scale block)模型：引入小目标检测头，使模型能够更加敏感地捕捉小尺寸目标，提高对小目标的检测能力；在小目标检测头上集成Res-CBAM (Residual Convolutional Block Attention Module)，进一步提高特征学习的显著性；在骨干网络中加入ECA (Efficient Channel Attention)模块，强化模型对特征通道重要性的关注，提升特征选择和模型的鲁棒性；将原始的SPPF (Spatial Pyramid Pooling-Fast)模块替换为MS-Block (Multi-Scale Block)，模型在不同尺度上的特征捕捉和融合能力得到增强。在KITTI数据集上，改进后的模型相比于YOLOv8s模型mAP (mean Average Precision)值提高了6.6%。实验结果表明，多种改进方案的组合使模型在复杂交通场景中的检测性能得到全面提升。

• 多智能体系统动态事件触发预定时间比例一致性

  马小陆, 李诺, 谭毅波, 洪鹏

  针对切换拓扑下含扰动的领航-跟随非线性多智能体系统，提出了基于动态事件触发机制的预定时间比例一致性控制协议，该一致性协议可有效减少系统能量损耗，降低控制器更新频率。通过在位置状态上设置比例参数，预定时间内可实现各个智能体之间的比例一致。利用代数图论、线性矩阵不等式及李雅普诺夫稳定性理论，证明了该协议的正确性且系统不存在Zeno行为。与固定时间控制协议相比，本协议的收敛时间上界与控制器参数无关，只与单一时间参数相关，设置简单，且预估收敛时间保守性较小。最后通过仿真实验验证了所提控制协议的有效性和可行性。

• 基于周期性细粒度纹理生成网络的碳纤维复合材料纹理图像生成

  许原野, 张吟龙, 梁炜

  针对碳纤维复合材料(Carbon Fiber-Reinforced Composites，CFRCs)铺叠质量检测过程中纹理图像数据量不足的问题，提出了周期性细粒度纹理生成网络模型(Periodic Fine-grained Texture generation Network，PFTN)及具有缺陷转移功能的DT-PFTN (Defect Transfer PFTN)网络。PFTN通过引入细粒度纹理补偿模块与可学习的周期性正弦波模块，来有效平衡纹理图像的随机性与周期性，以保证高质量、细粒度的CFRCs纹理图像生成。在此基础上，DT-PFTN通过缺陷特征的有效编码与嵌入来生成具有真实表面缺陷的纤维纹理图像。通过所提模型构建了CFRCs纹理图像数据集，包括12 480张正常的纹理图像样本和3 000张缺陷纹理图像样本。实验结果表明，PFTN和DT-PFTN模型在无缺陷数据集和缺陷数据集中均取得较好的纹理图像生成效果，SIFID (Single Image Fréchet Inception Distance)(10-6)、LPIPS (Learned Perceptual Image Patch Similarity)和FID (Fréchet Inception Distance)能分别达到9、0.35和60.81。