基于不确定性分析的视觉里程计优化

通过推导视觉里程计中运动参数估计的不确定度,分析了视觉里程计的定位精度.采用矩阵扰动理论,准确计算了基于最小二乘法运动估计算法给出的6个自由度运动参数估计的不确定性,此方法的计算复杂度为O(1).采用扩展卡尔曼滤波器对视觉里程计和惯性测量单元数据进行融合优化,获得了更加准确的机器人定位和姿态信息.融合实验结果表明,融合后的闭合误差比单一的视觉里程计闭合误差减少近49.5%.     

中文文本自动校对的语义级查错研究

目前中文文本自动校对的研究集中在词级和句法查错两方面,语义级查错仍是其中的薄弱环节。文章讨论了中文文本自动校对中的语义错误校对技术,综合使用了基于实例、基于统计和基于规则的搭配关系进行检查,提出统计和规则相结合的校对策略,既能检查局部语义限制,也能检查长距离的语义搭配,收到了较好的效果,也为中文自动校对的发展提供了新的思路。     

基于单位视球的鱼眼相机标定方法

针对鱼眼镜头的大范围视场,提出一种新的鱼眼相机标定方法.利用2组相互垂直的平行线来进行鱼眼相机标定.依据相机视场和成像边缘得到内部参数的估计值后,将图像平面上提取的角点反投影到单位视球（viewing sphere）上,2组平行线在单位球面上的2种几何特性提供外部参数估计的解析解.利用角点在图像平面的重投影误差来,得到优化后的所有参数.对3种常见的鱼眼投影模型分别进行关于标定图像数量和噪声水平的仿真实验.从仿真结果来看,在合理的噪声范围内,当用于标定的图像大于5张时,可以得到精度较高的标定结果.利用视场角185°的鱼眼相机来进行标定,并进一步的利用已知结构的立方体模板来验证外参估计方法.与加州理工学院提供的标定工具箱相比较,结果表明该算法不确定度较低,提供更为准确的标定结果.     

颜色指导的深度图像升采样算法的对比性研究

目前深度图像升采样主要通过双边滤波、马尔科夫随机场等算法实现,这些算法针对不同特征的图像有不同的重建效果。该文对比性研究了这些算法在用于将高分辨率的深度图像与可能带噪的稀疏深度图像结合恢复高分辨率的深度图像,即利用颜色信息指导未知深度的象素点的深度重建工作上的效果。同时,该文引入了高阶马尔科夫随机场,即利用二阶平滑项来获取更准确的深度信息,建立和求解了相应的能量方程。实验表明,双边滤波普遍能获得均方值误差比较小的效果,但其细节处理上不够到位;高阶马尔科夫随机场对未知区域的深度信息的预测比马尔科夫原型及双边滤波更为准确,特别是在已知深度点比较稀疏的情况下效果更加明显。     

基于联合卷积和递归神经网络的交通标志识别

提出了一种联合卷积和递归神经网络的深层网络结构,在卷积神经网络中引入了递归神经网络能学到的组合特征:原始图片先通过一级由k均值聚类学得滤波器的卷积神经网络,得到的结果再同时通过一级卷积和一级递归神经网络,最后得到的特征向量由Softmax分类器进行分类。实验结果表明:在第二级卷积和递归神经网络权重随机的情况下,该网络的识别率已经能够达到98.28%,跟其他网络结构相比,大大减少了训练时间,而且无需复杂的工程技巧。     

中文文本自动校对中的语法错误检查

文章将中文文本的语法错误分为搭配错误和与句型成分相关的错误两大类。分别采用模式匹配的方法和基于句型成分分析的进行检查,这两种方法的结合,可以同时考虑局部和全局的语法限制信息,并且降低了语法检查的复杂度。通过对实验结果的分析和评测,证明文章所述的方法是可行的。     

基于运动约束的泛化Field D*路径规划

为了解决基于栅格的路径规划算法因环境描述的离散化导致规划结果不能满足机器人运动约束,以及单一路径代价的局限致使算法无法适用于复杂环境的问题,提出一种基于运动约束的泛化Field D*算法.该算法的代价函数可同时考虑路程、行驶安全以及行驶时间等一个或多个行驶代价.根据机器人运动模型的特性,在路径点提取过程中结合机器人的最小转弯半径,进行满足运动约束的路径平滑.该算法在多组模拟的复杂环境栅格地图中进行测试,实验结果表明,算法对复杂环境有很好的适应性,同时有效提高路径的可执行性.     

视觉和IMU融合的移动机器人运动解耦估计

针对视觉里程计(VO)因累积误差导致运动姿态估计存在的偏差,提出实时扩展卡尔曼滤波器姿态估计模型,利用惯性测量单元(IMU)结合重力加速度方向作为垂直方向参考,对视觉里程计航向、俯仰和侧倾3个方向姿态估计进行解耦,修正姿态估计的累积误差;根据运动状态采用模糊逻辑调整滤波器参数,实现自适应的滤波估计,降低加速度噪声的影响.实验采用高精度的全站仪作为真值,并结合多种地形环境,实验结果表明：50 m内跟踪的累积误差低于0.3 m,有效地提高了视觉里程计的定位精度和鲁棒性.     

基于三维激光雷达的动态障碍实时检测与跟踪

为了解决在大数据量的情况下实现高效检测与跟踪的难点,提出一种室外动态未知环境下自主车的多障碍实时检测与跟踪的算法.由于Velodyne 64线三维激光雷达具有数据量大、精度高等特点,采用其与相机结合感知环境.算法结合从图像处理中得到的道边信息将原始激光雷达数据的感兴趣区域转化为栅格地图,在地图上采用区域标记和模板匹配的方法进行聚类和特征提取,检测得到盒子模型的障碍物,并进行障碍物跟踪.为了避免在多障碍物的情况下出现虚警和漏检,基于多假设跟踪数据关联和卡尔曼滤波来跟踪连续多帧的障碍物.本算法在自主车平台上能够以每帧100 ms实现准确、稳定地检测和跟踪.     

汉语句子谓语中心词的自动识别

谓语中心词的识别是句法成分分析中的一个非常重要的部分。本文提出了一种规则和特征学习相结合的谓语识别方法,将整个谓语识别的过程分为语片捆绑、谓语粗筛选和谓语精筛选三个阶段。在谓语粗筛选中,利用规则过滤掉明显不能充当谓语的词,得到一个准谓语集;在精筛选阶段,选择谓语的支持特征,根据统计计算得到每个特征对谓语的支持度,然后利用准谓语在句子中的上下文出现的特征对准谓语集中的词进行再次筛选,从而确定出句子的谓语中心词。经过测试表明,该方法是有效可行的。