-
公开(公告)号：CN110827238B
公开(公告)日：2023-07-21
申请号：CN201910932903.6
申请日：2019-09-29
Applicant: 哈尔滨工程大学
IPC: G06T7/00
Abstract: 本发明提供一种改进的全卷积神经网络的侧扫声纳图像特征提取方法，数据集的获取，并将数据集分为训练集和测试集，对数据集的目标区域进行标注；以VGG16网络为基础网络，搭建全卷积网络模型，并改进FCN模型的跳层结构；训练改进的全卷积网络模型，即训练FCNB模型；用训练好的网络对测试集的数据进行特征提取；定性评价特征提取结果，对比分析改进后与改进前的网络的特征提取结果。本发明保留了更多的细节信息，克服了传统方法抗散斑能力差、效率低、速度慢以及准确率低的缺点；有利于方法的泛化使用；特征提取效果得到了明显提升，该方法收敛性更好，稳定性更高。
-
公开(公告)号：CN110146110B
公开(公告)日：2022-11-15
申请号：CN201910418114.0
申请日：2019-05-20
Applicant: 哈尔滨工程大学
Abstract: 本发明属于数据关联领域，具体涉及一种室内环境机器人线特征ICNN数据关联的误匹配判定方法。本发明提供一种基于线段位置关系的误匹配及防止误匹配的判定规则的改进ICNN数据关联方法。首先基于激光传感器数据提取环境线特征，重新选取线特征参数，并将同一二维平面上的线段位置关系进行总结，针对线段平行或共线时容易造成误匹配的问题，分别给出误匹配评判模型，在此基础上提出一种改进ICNN算法。改进的算法用与标准算法相近的计算时间得到了更高的关联正确率。
-
公开(公告)号：CN110045381B
公开(公告)日：2022-08-02
申请号：CN201910347922.2
申请日：2019-04-28
Applicant: 哈尔滨工程大学
Abstract: 本发明属于图像处理领域，具体涉及一种基于线特征简化的侧扫声呐线特征匹配改进方法。本发明主要包括两大步骤：对提取的线特征进行简化处理以及线特征之间的匹配。侧扫声呐图像由于自身的特点，在提取线特征之后，在某些区域会存在过多相似度极高的线特征，通过线特征的简化处理将多条相似度极高的线特征简化，最终确定最少数量线特征代表待处理区域的提取特征，线特征匹配利用射影变换找到对应特征。本发明首先将提取的线特征进行简化处理，可以更简洁描述图像特点，也更有利于提高后续线特征匹配率和匹配速度；基于简化特征的基础上，利用射影变换实现线特征在匹配图像中的映射，通过设计线特征之间的匹配约束条件来完成线特征之间的匹配。
-
公开(公告)号：CN110632931B
公开(公告)日：2022-06-21
申请号：CN201910953396.4
申请日：2019-10-09
Applicant: 哈尔滨工程大学
Abstract: 本发明公开一种动态环境下基于深度强化学习的移动机器人避碰规划方法，属于移动机器人导航技术领域。本发明通过激光测距仪采集原始数据，将原始数据处理后作为神经网络的输入，建立LSTM神经网络，通过A3C算法，神经网络输出相应参数，经过处理获得机器人每一步的动作。本发明无需对环境进行建模，更加适用于未知障碍物环境，采用actor‑critic框架与时间差分算法，实现低方差的同时更适用于连续动作空间，实现边训练边学习的效果。设计具有艏向转角限制的连续动作空间，且采用4个线程并行学习训练，与一般深度强化学习方法相比，大大提高学习训练时间，减少样本相关性，保障探索空间的高利用性与探索策略的多样性，从而提升算法收敛性、稳定性以及避障成功率。
-
公开(公告)号：CN109460045B
公开(公告)日：2022-02-22
申请号：CN201910032604.7
申请日：2019-01-14
Applicant: 哈尔滨工程大学
Abstract: 动态障碍在线感知下USV基于改进蚁群优化的避碰规划方法，属于水面无人艇避碰规划技术领域。本发明针对USV在动态未知环境中避碰规划算法的搜索能力不足等问题，提出了一种基于改进蚁群优化算法的USV实时避碰规划方法，首先，为了满足《国际海上避碰规则》，设计反向偏心膨化法对动态障碍进行膨化；其次，基于运动速度模型和改进蚁群优化算法，将动态已知环境中的USV避碰规划转换成为一个瞬时静态已知环境下的多条件目标优化问题；最后，针对于蚁群优化算法收敛速度慢的问题，提出了改进的伪随机比例规则对蚂蚁状态转移进行选择，且借鉴狼群分配原则和最大—最小蚂蚁系统对全局信息素进行更新，避免了搜索陷入局部最优。
-
Patent Agency Ranking
公开(公告)号：CN109725650B
公开(公告)日：2021-10-19
申请号：CN201910182252.3
申请日：2019-03-08
Applicant: 哈尔滨工程大学
IPC: G05D1/10
Abstract: 一种密集障碍物环境下的AUV避障方法，属于水下无人航行器智能控制技术领域。发明把声呐探测的障碍物数据通过轮廓凸算法和贝塞尔插值将障碍物边界简化，利用预测导引避障算法设计出密集障碍物环境下的避障航迹。考虑到密集障碍物的复杂多样性，因此该方法结合避障参数和避障规则制定出避障权值函数得出全局最优预测避障参数，最后制定出相应的避障导引航迹点使得AUV实现避障的目的。实验数据可以看出本发明所提算法针对复杂密集障碍物环境有更好的适应性和避障执行效率，能够更好的利用到水下无人潜航器AUV的水下避障过程中。
-
公开(公告)号：CN108459614B
公开(公告)日：2020-12-04
申请号：CN201810044019.4
申请日：2018-01-17
Applicant: 哈尔滨工程大学
Abstract: 本发明提供了一种基于CW‑RNN网络的UUV实时避碰规划方法，属于水下航行器导航领域。本发明提供的方法如下：步骤1：构建全局坐标系和局部坐标系，建立声纳仿真模型；步骤2：设计用于实时避碰规划的CW‑RNN网络；步骤3：构建数据集用于神经网络的训练阶段和测试阶段；步骤4：利用训练集中数据训练CW‑RNN网络，得到实时避碰规划器；步骤5：将声纳探测信息及目标点信息输入至基于CW‑RNN网络的避碰规划器，获得UUV下一时刻的转艏及速度的调整指令。本发明提供的方法得到的规划器不仅有强大的学习能力，同时还具有非常强的泛化能力，适用于各种复杂的环境；同时可满足实时性的要求，并且所规划的路径满足UUV运动特性的要求。
-
公开(公告)号：CN111931368A
公开(公告)日：2020-11-13
申请号：CN202010766650.2
申请日：2020-08-03
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于GRU粒子滤波的UUV目标状态估计方法，首先建立基于门循环单元(Gated Recurrent Units,GRU)的深度神经网络来拟合前一时刻目标测量状态与当前时刻目标实际状态之间的映射；该神经网络学习目标的动力学模型并识别测量噪声。该滤波器从测量状态中直接采样，以这些采样粒子来近似测量分布。然后，充分训练的神经网络用来预测各粒子的当前状态，从而根据蒙特卡洛思想估计出目标当前的状态。可解决UUV目标状态估计中，由目标复杂的动力学以及声呐测量的不确定性引起的，目标状态估计精度低以及估计不稳定的问题。
-
公开(公告)号：CN111913175A
公开(公告)日：2020-11-10
申请号：CN202010631966.0
申请日：2020-07-02
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种传感器短暂失效下带补偿机制的水面目标跟踪方法，包括：采集目标观测信息，将采集数据进行处理并分为训练集和测试集；设计具有时序预测能力LSTM神经网络结构；离线训练LSTM神经网络；采用LSTM神经网络对传感器短时失效下观测量进行在线补偿，对在线补偿后的观测量采用UKF方法得到目标位置和速度信息滤波值。本发明LSTM神经网络能够处理含有噪声数据，对非线性数据有较好学习效果；采取离线训练和在线补偿方式降低训练神经网络内部参数导致的目标跟踪实时性不强；在传感器量测缺失下对观测值进行补偿，降低估计误差；在传感器量测出现缺失和目标发生机动时，降低传统方法中只取信运动模型而造成估计误差。
-
公开(公告)号：CN110717921A
公开(公告)日：2020-01-21
申请号：CN201910914737.7
申请日：2019-09-26
Applicant: 哈尔滨工程大学
Abstract: 本发明属于深度学习及机器视觉领域，具体涉及一种改进型编码解码结构的全卷积神经网络语义分割方法。本发明采用图像预处理操作不仅提高了模型的精度，而且也增强了模型的稳定性；针对池化和下采样的重复组合的操作引起特征分辨率下降的问题，采用全卷积神经网络，进而提高了语义分割的准确性；引用U-net模型结构的思想，采用编码-解码结构，保留了二倍和四倍下采样的特征信息，分别与四倍和二倍上采样特征信息进行融合，通过逐渐恢复空间信息来捕捉清晰的目标边界，解决了图像边缘分割不太准确的问题，同时提高了神经网络的收敛速度，节约了运行时间。
-
-
-
-
-
-
-
-
-
Search Results
152
records
(took 0.029 seconds)
