A Robust Interacting Multisensor State Fusion Based on Adaptive Outlier Controlling Multirate Model

An adaptive outlier controlling multirate model based on Hong’s multirate kinetic model was represented in order to resist the outliers and utilize their useful information. Wavelet transform was introduced to detect and control the outliers. The multirate information extraction and the controlling of outliers were properly integrated to establish an adaptive outlier controlling multirate model. The proposed model was applied to multisensor state fusion with interacting multiple model (IMM), and a robust interacting multisensor state fusion algorithm was established based on adaptive outlier controlling multirate model. The Monte-Carlo simulation shows that it could improve the accuracy of fusion estimation by 70% compared to Hong’s algorithm and at least 14% to Xiao’s algorithm.     

基于智能车辆的多传感器数据融合算法研究与分析综述

多传感器数据融合是20世纪80年代发展起来的一门新技术,将智能车辆中多个传感器采集的数据进行合成,并充分利用多感器数据间的冗余和互补特性,从而得出准确的环境信息用于地面车辆定位、车辆跟踪、车辆导航等。文章通过对现有的数据融合方法进行分类和归纳总结,对多传感器数据融合算法的研究和数据融合技术的应用情况进行阐述,为智能车辆多传感数据融合方面的研究提供参考。     

Real-time follow-up head tracking in dynamic complex environments

In the modes of both object motion and camera motion, an enhanced Camshift algorithm, which is based on suppressing similar color features of background and on joint color probability density distribution image, is proposed to real-time track head in dynamic complex environment. The system consists of face detection module, head tracking module and camera control module. When tracking fails, a self-recovery mechanism is introduced. At first the Adaboost face detector based on Haar-like features is implemented to find frontal faces, the false positive is filtered according to the skin color criterion, and the true face is used to initialize the tracking module. In hue saturation value (HSV) colorspace, the hue-saturation (H-S) histogram of face skin and the saturation-value (S-V) histogram of hair are built to produce the joint color probability density distribution image, and this is intended to realize the head tracking with arbitrary pose. During tracking, region of interest (ROI) is introduced, and the color probability density distribution of a specified background area outside the ROI is learned, similar color features in the head are suppressed according to the learning result. The background suppression step is intended to resolve the problem that the tracker maybe fails when the head is distracted by backgrounds having similar colors with the head. A closed loop control model based on speed regulation is applied to drive an active camera to center the head. Once tracking drift or failure is detected, the system stops tracking and returns to the face detection module. Our experimental results show that the presented system is well suitable for tracking head with arbitrary pose in dynamic complex environments, also the active camera can track moving head smoothly and stably. The system is computationally efficient and can run in real-time completely.     

一种机动目标的自适应跟踪算法

通过分析"当前"统计模型采取固定机动加速度最大值在目标跟踪中的不足,引入模糊逻辑技术,提出了一种基于"当前"统计模型的自适应跟踪算法.该算法实现了目标机动加速度最大值随机动特性的自适应调整,从而实现了系统状态噪声方差的自适应调整,提高了系统的跟踪性能.对两种典型的目标机动形式进行了Monte Carlo仿真研究,结果表明了新算法对于解决机动目标跟踪问题的有效性.     

复杂环境基于多信息融合的车辆跟踪方法

平交路口复杂环境下基于视觉的车辆跟踪容易受到如车辆在图像上投影的尺 度变化,车辆的排队与消散过程中邻近车辆间的遮挡及分离等因素的影响.针对该问题, 本文提出了一种利用局部特征增强的Mean-shift 改进算法,利用SIFT 特征点对尺度、旋 转变化鲁棒的特性,将其与基于跟踪区域颜色特征的跟踪方法相融合实现车辆跟踪,较 好地解决了在车辆尺度、运动方向变化,以及遮挡情况下的跟踪问题.同时通过引入跟踪 车辆分离的判定条件,结合特征点聚类算法解决了相邻车辆发生分离时的判断及跟踪问 题.实验结果表明,在多种交通场景的车辆跟踪过程中,本文提出的算法有较好的鲁棒性, 定位结果更加精确.     

局部阴影光伏发电系统中基于改进PSO的MPPT控制

光伏发电系统在局部阴影条件下,传统的最大功率点跟踪算法（maximum power point tracking,MPPT）容易陷入局部寻优,无法跟踪到全局最大功率点. 针对这一问题,本文提出了一种基于自适应学习因子粒子群算法的最大功率跟踪方法. 该方法在普通粒子群算法的基础上不断改变学习因子和权重系数,以提高算法收敛的速度和精度. 将其应用于局部阴影条件下的光伏发电系统最大功率点跟踪中,并在RT-LAB实时仿真平台中以两个接受不同光照强度的光伏阵列为例进行实时仿真验证. 仿真结果表明,两峰情况下本文所提出的自适应学习因子粒子群算法能够在0.298 s左右跟踪到全局最大功率点,普通粒子群算法需要约0.615 s,而扰动观察法陷入了局部最大功率点,本文所提算法能够有效提高系统的收敛速度和精度并且适用于多峰情况. 最后设置仿真算例验证本算法适用于光照突变的情况.      

列车轮对状态的融合监测系统

为了提高列车轮对故障诊断准确率和改善现有列车轮对状态在线监测方法的不确定性,结合多传感器信息融合原理,设计了列车轮对融合监测系统,采用特征层融合自适应加权算法进行了轮对状态融合监测,以自适应的方式寻求最优加权因子,使状态测量值总均方误差最小,比较了特征层融合自适应加权算法、模糊数据关联算法、变结构多模的状态估计算法和BP神经网络算法的计算结果。比较结果表明:当轮对两端轴承均出现故障后,两传感器输出的测量值分别为22.0470和21.0250,而此融合算法计算出的估计值为4.2642,融合值最接近真值,因此,列车轮对融合监测系统可靠性高,抗干扰性强。     

���ڸĽ�����ɫ������ֱ��ͼ���µ�Mean-Shift�㷨

为了提高复杂环境下智能视频监控对运动目标跟踪的可靠性,提出一种基于改进的颜色特征和直方图更新的Mean-Shift跟踪算法.该算法利用像素点局部颜色变化作为跟踪目标像素点特征,弥补单一颜色值特征对目标表征的不足;并根据Mean-Shift跟踪结果和目标匹配程度对目标直方图进行更新,保证在目标姿态和大小发生变化时目标特征直方图的有效性.实验结果表明：与传统Mean-Shift算法相比,改进的颜色特征减小了相似背景像素对运动目标的干扰,目标直方图的更新提高了Mean-Shift算法对目标姿态和大小改变的鲁棒性.算法提高了基于颜色特征的Mean-Shift算法对复杂环境中运动目标进行实时跟踪的可靠性.     

基于自适应模型预测控制的智能车轨迹跟踪

针对传统模型预测算法在智能车辆轨迹跟踪的局限性,引入随道路曲率变化的速度自适应调节算法,设计轨迹跟踪控制器.设计目标函数及添加约束条件,通过Matlab/Simulink软件,在不同车速下与传统算法进行比较,仿真结果表明:不同的纵向车速对传统算法的轨迹跟踪有一定的影响,而对改进后的算法影响较小.尤其当车速较高时,改进后...     

基于智能Agent的车辆自适应跟踪技术

为了研究复杂环境下快速移动车辆目标检测与跟踪问题,提出了基于知识库的智能Agent自适应图像分割与滤波算法,建立了帧间差异积累动态矩阵自适应背景模型,在跟踪过程中,设计了改进的SSD算法预测初始迭代点,根据Jensen不等式推导了具有自适应核窗宽迭代更新的M eanSh ift算法,实现了对视频车辆目标的自适应智能跟踪.实验结果表明,该算法能有效、准确地跟踪视频中的运动目标,自适应能力强;与其他算法比较,跟踪误差降低了54.4%,平均跟踪时间延长了41.3%.     

基于激光雷达的无人驾驶障碍物检测和跟踪

针对激光雷达动态障碍物检测与跟踪过程中聚类适应性差、实时性低和跟踪准确度不高等问题，提出一种自适应的密度聚类算法和多特征数据关联方法，分别用于检测和跟踪. 首先，对激光雷达采集的点云进行路沿检测、感兴趣区域提取和地面分割等预处理，去除无关点云；然后，基于自适应的密度聚类算法对非地面的点云进行聚类，完成障碍物点云检测；最后，利用加权多特征数据关联算法结合卡尔曼滤波器实现对动态障碍物跟踪. 通过实验表明:本算法能够根据10 Hz的激光雷达数据实现对障碍物准确、稳定的检测和跟踪，且聚类时间缩短32%.      

颜色在识别中的应用及关键技术研究

研究颜色在识别中的应用以及所涉及到的关键技术.主要技术包括色度图、颜色库、自适应阈值、颜色模版匹配、模糊神经网络、颜色分类器等.重点研究了适于遥感图像分类的正交坐标系的YHS(亮度,色调,饱和度)变换技术.     

一种基于稀疏表达和光流的目标跟踪方法

提出一种将稀疏表达技术融入到传统光流算法的目标跟踪方法.首先使用FAST和Harris算法在视频序列的每一帧中为光流算法采集运动目标的特征点,之后光流算法基于后向跟踪-形心配准的方法对跟踪目标完成粗略定位.在当前帧的粗略定位处应用仿射变换产生N个候选区域.最后应用稀疏表达技术判断出与原始目标匹配率最高的仿射变换区域做为最终目标跟踪区域.实验结果表明,该算法既能较好地适应目标的外观变化,又具有较强的抗遮挡能力,鲁棒性强.     

基于状态机的燃料电池混合动力系统控制策略

针对由2套大功率氢燃料电池、超级电容和动力电池所构成的有轨电车用混合动力系统,提出能够满足运行工况需求的状态机控制能量管理策略. 首先,以状态机为基础构架,将有轨电车的运行划分为牵引、惰行、制动和故障4种状态;接着研究了4种运行状态下的能量管理策略,牵引状态采用基于自适应放电系数的均压算法,惰行状态采用改进的最大效率点跟随算法;然后基于4种状态,进行了整车实际运行;最后对比分析了功率跟随策略、状态机控制策略的能耗和电池堆效率. 研究结果表明:基于自适应放电系数的均压算法能够保证2套超级电容在牵引状态中均匀放电,避免了单套超级电容过度使用的情况;改进的最大效率点跟随算法使得燃料电池的平均效率提高了3.91%;此外,状态机控制策略与功率跟随策略的电堆效率分别为61.89%、57.98%,前者比后者节约了3.2%的氢气.      

利用自适应组合模型实现车辆跟踪

针对视频序列图像目标车辆跟踪中经常因场景光照变化、目标旋转、遮挡等因素导致丢失问题,提出了基于颜色自适应的改进CamShift算法;通过建立凸函数组合模型,利用多目标规划最优求解算法获取自适应颜色识别最佳组合,提高了算法抗干扰能力;利用目标倾角预测识别目标发生形变和旋转,构造多变量状态信息预测目标发生遮挡和瞬间消失,并通过IIR滤波器快速预测目标在下一时刻的运动方式。实验表明,本算法跟踪精度高,鲁棒性强。     

Multiple models direct adaptive controller for a stochastic non-minimum phase system

For a stochastic non-minimum phase multivariable system, a multiple models direct adaptive controller is presented. It is composed of multiple fixed models with two adaptive models. The fixed models are used to cover the region where the system parameters jump and improve the transient response, while another two adaptive models are used to guarantee the stability. Utilizing generalized minimum variance design method, it adopts the stochastic system estimation algorithm with optimal controller design method to identify the controller parameter directly. Finally, the global convergence is given. The simulation proves the effectives of the controller proposed.     

基于自适应尺度LE的轮廓编组算法

在图嵌入框架下，以编组线索的聚类来实现轮廓编组的方法，不仅可以有效地将局部特征和全局特征结合起来，而且更加符合人类视觉感知以流形存在的特点．本文在分析相似度矩阵对样本结构表示意义的基础上，提出了一种基于自适应尺度LaplacianEigenmap的轮廓编组算法．该算法能够根据编组线索多维特征的不同局部统计特性，自适应地改变相似度计算模型中的尺度因子，使相似度矩阵更准确地反映编组线索数据集的结构特性．在此基础上通过降维实现编组元的聚类，从而得到轮廓编组的结果．实验证明，该算法对于局部统计特性差异较大的编组线索有着良好的适应性，尤其对于有遮挡的感知目标，表现出比图分割方法更为优越的性能．     

基于自适应迭代学习控制的列车自动驾驶算法

针对高速列车自动驾驶系统受到时变外部扰动和受限状态的情况,提出一种基于迭代学习控制的自适应控制算法. 基于Lyapunov 函数,利用列车运行过程中的状态偏差,推导出自适应迭代学习控制律和参数学习更新律. 构造类Lyapunov 函数的复合能量函数,通过迭代域的差分,证明其差分负定性和收敛性. 采用所提控制算法对列车跟踪性能进行计算机仿真和实例仿真验证,结果表明,所提出的自适应迭代学习控制算法对列车期望曲线跟踪具有较高的精度和较快的收敛速度,能够在较短的迭代次数实现对期望曲线的精确跟踪.     

一种快速成型自适应分层算法

为提高快速成型产品的成型精度和效率,提出了一种快速成型自适应分层算法.该算法通过重新构建STL模型拓扑信息,结合交点追踪法和交点标记法,根据相邻切片层的面积差比率自动调节分层层厚,实现对STL模型的自适应分层.实例分析表明,该算法运行稳定、分层效率高、可靠性好.     

基于均值平移和自适应预测的运动目标跟踪

针对运动目标跟踪算法不足之处,提出结合改进的均值平移与自适应预测的目标跟踪算法,基于Bhattacharyya系数值进行Kalman滤波器与粒子滤波器之间的切换.引入Kalman滤波器为Mean Shift算法估计初始点,在跟踪稳定的情况下进行模板更新,根据Kalman残差大小判定是否发生遮挡：部分遮挡情况下即结合Kalman滤波器实现对快速运动目标的实时跟踪;完全遮挡情况下结合均值平移和粒子滤波进行鲁棒跟踪.实验证明,改进的算法可以有效地提高跟踪算法的效率,并且能很好地解决遮挡问题.