智能无人艇研究现状及关键问题发展趋势

详细调研无人艇的发展现状，分析其走向自主智能化的现实瓶颈，并揭示无人艇平台的缺失及智能博弈对抗能力差这2个制约智能无人艇落地的根本问题。针对这2个问题，结合数字孪生技术，给出水面无人艇群体智能研究平台设计方案，同时也提出对基于深度学习的多智能体博弈对抗的相关可行性设想，为实现无人艇在复杂海洋环境下的自主航行、群体决策和博弈对抗等目标打开新思路，有望为我国智能无人艇的工程实践落地提供技术支持。     

一种用于智能汽车的硬件友好对抗样本在线防御方法

提出了一种针对对抗样本攻击的硬件友好的在线防御方法。该方法由三部分组成，一个使用自编码器作为检测器来逼近自然样本流形分布的广谱检测算法，一个适用于深度神经网络 （Deep Neural Network，DNN） 瓷片加速器架构的高效层调度方案以减少数据访问开销，以及一个软硬件协同设计方法以达到检测精度和算法开销的平衡。试验表明，基于自编码器的广谱在线检测方法能够达到与已有算法相当的检测精度，提出的层调度方案将推理网络与检测器耦合的联合网络的DRAM访问量减少了43%，进而降低了能耗，提高了吞吐量。此外，软硬件协同设计方法在保证检测精度不 降低的情况下，将耦合网络的能耗和运行时间分别降低了58%和54%。     

面向铁路客运站场景的语音降噪模型研究

为进一步提升铁路客运站嘈杂环境下的语音识别效果，文章提出一种基于Conformer的语音降噪模型ConformerGAN。其训练流程类似生成对抗网络，生成器采用Conformer进行语音特征提取，对特征建模；鉴别器使用代理评估函数对语音感知进行质量评价。为增强模型的泛化能力并提高模型对未知噪声的降噪能力，在噪声的叠加上采用随机截取片段融入的方式，并构建铁路客运站场景噪声数据集。与语音降噪相关模型效果对比的结果表明，ConformerGAN模型可将客观语音质量评估（PESQ,Perceptual Evaluation of Speech Quality）分数提高0.19，有效提高铁路客运站嘈杂环境下的语音识别准确率，改善铁路旅客语音交互体验。     

面向自动驾驶数据生成的风格迁移网络研究

自动驾驶数据集的丰富性是保证基于深度学习的自动驾驶算法鲁棒性和可靠性的关键。当前的自动驾驶数据集在夜晚场景和各类气候、天气条件下的数据量仍十分有限，为满足无人驾驶领域的应用需求，本文中构建了风格迁移网络，可将当前自动驾驶数据集转换为夜晚、雪天等多种形式。该网络采用单编码器-双解码器结构，综合语义分割网络、跳跃连接和多尺度鉴别器等多种手段用于提高图像的生成质量，生成的图像具有良好的视觉效果。用真实数据训练deeplabv3+语义分割网络来评价生成图像的结果表明，本文采用的网络生成图像的平均交并比比基于双编码-双解码结构的两种网络（AugGAN和UNIT）分别提升了2.50%和4.41%。     

基于卷积生成对抗网络的船型数据噪声处理方法研究

采用深度卷积生成对抗网络方法获得的船型样本数据存在显著的噪声，表现为船型表面凹凸不平、曲面放样品质低下等。论文对生成对抗网络输出的船型设计了后处理流程并编写计算程序，实现了生成模型的降噪、光顺、修正和切割等操作，显著提升了输出的船型曲面的质量，改善了生成对抗网络方法在船型设计中的应用性，为船型智能设计提供理论和技术支持。