双足足球机器人实时避障导航系统研究

介绍了避障控制系统的体系结构和基本步态算法．其次，介绍了路径规划策略，包括避障开始时的全局导航策略和穿越障碍物时的局域导航策略．分析了红外传感器测距实验数据及局域导航实验结果，验证了红外线传感器精确度和导航策略能够满足比赛要求．     

一种有效的移动机器人里程计误差建模方法

移动机器人里程计误差建模是研究移动机器人定位问题的基础. 现有的移动机器人里程计误差建模方法多数针对某一种驱动类型移动机器人设计, 运动过程中缺乏对里程计累计误差的实时反馈补偿, 经过长距离运动过程定位精度大幅度降低. 因此本文针对同步驱动和差动驱动轮式移动机器人平台提出了一种通用的里程计误差建模方法. 在假设机器人运动路径近似弧线基础上, 依据里程计误差传播规律推导了非系统误差、系统误差与里程计过程输入之间的近似函数关系, 进而提出一种具有闭环误差实时反馈补偿功能的移动机器人定位算法, 对定位过程中产生的里程计累计误差给予实时反馈补偿. 实验表明新算法有效地减少了里程计累计误差, 提高了定位精度.     

一种有效的基于点云特征人体识别方法

基于视觉信息的运动目标识别是室内移动机器人自主导航的一个重要研究内容,现有的方法经常由于背景噪声干 扰、自然光照、机器人视角变化等因素影响识别稳定性。本文提出一种有效的目标识别方法,滤除地平面点云特征,并采用 分割聚类和支持向量积融合方法识别运动目标。实验表明,本文方法在满足实时性前提下,相对于传统人体骨骼、二维梯度 直方图算法具有更高的准确率,更适合复杂环境下的人体识别。     

基于粒子群优化的移动机器人全局定位算法

为了提高图像特征匹配过程中地图库的搜索速度,提出了一种局部子地图库搜索方法。并针对机器人自定位过程中会产生多个候选位姿,提出了利用粒子群优化算法来优化候选位姿以得到定位精度较高的优化解的全局定位新方法。最后通过Pioneer 3DX在室内环境的全局定位实验分析了粒子群优化前后定位精度和定位时间的变化。实验结果表明,新算法以牺牲较少的计算时间获得了较高的定位精度。     

双足足球机器人行走步态研究

为了研究双足足球机器人行走时步态的连续性和稳定性，首先提出了双足足球机器人的体系结构，然后给出了基本步态算法，增加了行进中步态校正策略，包括动态和静态步伐的校正．解决了动、静态行走时步态的准确性和鲁棒性．试验数据验证了步态方程和步态校正策略能够适应FIRA比赛要求．     

基于CBAM-EfficientNet的垃圾图像分类算法研究

针对垃圾分类数据集,本文采用基于Imagenet数据集的迁移参数初始化Efficient-net模型,与经典的VGG和Res-Net50模型对比,得到了较高的泛化性能和准确率.为了降低源领域数据集的特征参数对于目标领域数据集特征参数产生负迁移的影响,本文加入了 CBAM注意力机制增强重要特征并忽视无效特征,同时使用批归一化和随机失活模块加速网络的训练并减轻过拟合程度,从而得到高性能、高效率的CBAM-EfficientNet垃圾分类模型.实验结果表明,基于Efficient-net模型的垃圾分类的准确率高于经典的VGG和ResNet50模型5％以上,而本文所提出的CBAM-EfficientNet进一步提高了 2.5％.     

基于 Kanade -Lucas的人眼跟踪算法研究 *

在基于 AdaBoost算法识别驾驶员眼部疲劳状态时 ,环境光照、视角的频繁变化是影响识别稳定性的重要因素 ,为此提出了一种基于 Kanade-Lucas( K-L)光流跟踪与 AdaBoost级联分类器相结合的改进算法。该算法利用 AdaBoost算法识别并存储人眼的角点特征 ,在 AdaBoost算法无法正确识别时 ,利用 ( K-L)光流跟踪算法跟踪正确识别的角点有效地提高了人眼识别率 ,降低了误识别率 ,并降低了重复识别的运算量。     

动机器人视觉图像特征提取与匹配算法*

针对移动机器人导航过程中视觉图像处理速度慢以及特征点提取与匹配实时性和准确性差等特点,提出了一种基于SIFT特征提取算法与KD树搜索匹配算法相结合的新方法,通过对候选特征点进行多次模糊处理,使其分布在高斯差分图像的灰度轮廓线边缘,利用SIFT特征提取算法找到满足极限约束的极值点;通过KD树最邻近点搜索和匹配算法使处理后的特征点与原始图像进行特征匹配,快速找出匹配正确的特征点。实验证明,该方法对环境光照、视野角度频繁变化的环境具有较强的鲁棒性,能够满足移动机器人自主导航过程中对视频图像处理的实时性和准确性     

混合深度学习机制下的H型高血压脉诊预测

现有H型高血压诊断需要检测患者体内的伴有血浆同型半胱氨酸含量,效率低且带有创口。中医学脉诊可以通过分析患者脉搏生理活动,结合临床问诊信息实现H型高血压无创辅助诊断。本文提出了基于混合深度学习的脉诊分类模型,在具有双向长短时记忆（Bi-directional long short-term memory,BiLSTM）网络中增加卷积神经网络（Convolutional neural network,CNN）结构提取脉诊特征局部相关特征,构建基于CNN-BiLSTM结构的高血压脉诊分类网络。实验采用上海中医药大学附属龙华医院及中西医结合医院的325例临床疑似高血压脉诊病例。实验结果表明本文模型评估参数灵敏度、特异性、正确率、F₁-score、接收者操作特征（Receiver operating characteristic,ROC）曲线及其下方围成的面积（Area under curve,AUC）值分别为：79.71%、69.56%、77.17%、83.96%、0.850 0,高于经典机器学习方法的诊断精度,对中医临床辅助诊断具有较好的参考价值。