基于FPGA的红外目标识别神经网络加速器设计

在红外目标识别领域，基于卷积神经网络的深度学习算法的识别精度已远远超过了传统模式识别算法,但神经网络的实现需要庞大的计算和存储，难以在无人机等嵌入式平台上进行部署。针对此问题，将通道级量化策略和梯度的近似优化训练引入到了低比特神经网络模型的建立中，并提出了一种可充分利用硬件计算资源的FPGA加速器，其整体平均性能为65.6GOPS。与其他相关工作的对比表明，低比特量化方法及其FPGA加速器实现，可以为嵌入式红外目标识别系统提供一种能效高、识别精度高的解决方案。     

一种基于轻量化CNN的天文暂现源智能识别方法

天文暂现源携带了关于天体本质及演化过程的丰富信息,对暂现源进行探测与研究具有极为重要的科学价值。天文暂现源的辐射峰值大多在X射线或伽马射线,天基望远镜对这些高能波段的观测优势是地基望远镜无法比拟的,更适合于暂现源观测。但由于星载计算机的性能约束,很难实现依托于地面强大算力的复杂检测算法。针对以上问题,提出了基于轻量化卷积神经网络（CNN）模型的天基暂现源检测算法,并在嵌入式ARM平台上实现了模型部署。实验结果表明,本文提出的轻量化CNN暂现源检测算法的模型复杂度和计算量不及Deep Hits算法的1/4,准确率达到96.52%,可应用于星载有限算力平台,实现未来的天基暂现源实时检测。     

基于类脑模型与深度神经网络的目标检测与跟踪技术研究

目标检测与跟踪技术广泛应用于交通、医疗、安保和航天等领域.目前，目标检测与跟踪技术面临目标微弱、背景复杂、目标被遮挡等挑战.同时，随着脑科学研究的不断深入，人们对人脑视觉系统的理解逐渐透彻，利用类脑计算解决复杂背景下高精度目标检测与跟踪问题成为相关领域的重要研究方向.本文结合神经工程导向的类脑模型和计算机工程导向的深度神经网络(Deep Neural Networks, DNNs)，提出多种基于类脑模型与深度神经网络的目标检测与跟踪算法，包括：基于演算侧抑制的目标检测算法，基于结构 对比度(Structure Contrast, SC)视觉注意模型的弱小目标检测算法和基于记忆机制与分层卷积特征的目标跟踪算法.实验结果表明，将类脑模型和深度神经网络应用于目标检测和跟踪领域，有利于实现复杂条件下的高精度目标检测和鲁棒性目标跟踪.     

基于特征建模的空间非合作目标姿态智能测量方法

为实现空间非合作目标姿态的测量，基于特征建模的思想，提出了一种根据目标激光点云数据进行高效处理的智能测姿态方法.首先，针对空间目标姿态测量的需求，寻找并实现能够高效表征目标姿态的点云数据特征.接着，应用神经网络的方法对目标点云姿态特征进行学习，通过建立合理的神经网络模型和训练数据，实现目标点云特征与姿态间非线性映射关系的建立.最后，利用目标点云仿真数据集，对方法的测量精度和测量实时性进行了评估.实验结果表明：利用特征建模的思想，提出并建立目标点云姿态协方差矩阵特征，实现了点云数据在表征目标姿态方面的信息高度压缩，为神经网络模型的轻量化设计和计算资源严重受限的在轨应用，提供了可行的智能化工程实现方案.     

基于改进Hopfield神经网络的对地攻击型无人机自主能力评价

对地攻击型无人机是当前最先进的无人装备之一，无人机必须具备很高的自主能力，自主能力成为无人机的典型作战能力。针对对地攻击型无人机的自主能力量化评价问题，从感知能力、决策能力、行为能力和安全能力4个方面，并侧重机载装备参数分析，提出了一套完整的自主能力评价指标体系。结合模型因素库，运用奇异值分解设计Hopfield神经网络权值矩阵，利用基于稀疏度的权值删减算法改进网络结构。构建自主能力评价标准，对对地攻击型无人机系统自主能力进行量化分级。仿真结果表明:相对于传统Hopfield神经网络，改进算法能够在一定范围内删除非关键的连接权值，降低网络复杂度，工程上更容易实现对地攻击型无人机系统自主能力的量化评价。      

地外巡视探测无人系统自主感知与操控技术发展综述

地外天体探测是空间科学与技术创新的重要途径,是当前和未来航天领域的发展重点之一.地外天体表面巡视探测是拓展探测广度和深度的有效途径.未来月球、火星探测任务对表面探测范围和探测效率的需求明显提高,探测范围从公里级扩展到百公里级以上,移动时速从百米级提高到公里级以上,要求地外巡视探测器具有更强的地外环境适应能力和探测效率.决定地外巡视探测能力的关键因素之一是自主环境感知与操控能力,本文面向我国未来深空探测重大工程任务需求,对地外巡视探测无人系统的自主感知与操控技术发展现状及趋势进行总结分析.     

资源受限嵌入式机电控制系统功耗感知调度

针对嵌入式机电控制系统的能耗受限问题,提出了一种基于功耗感知和反馈调度的能耗管理方法.研究了嵌入式机电控制系统的静态功耗调度模型,提出了一种基于控制代价和系统能耗的联合优化指标,并给出了其优化解.针对在动态调度模型下运算开销大,难以在线实现的问题,采用智能计算方法逼近优化结果.对比了4种智能计算方法的逼近精度和调度开销,采用小波神经网络逼近优化结果.仿真的结果表明:该方法在保证了控制性能的同时,降低了调度开销和系统能耗.      

面向火星自主漫游任务的视觉-惯性感知系统

精确的位姿估计以及对周围环境中的障碍物的实时感知,是探测器在火星表面进行自主漫游的基础.然而,火星探测器受到自身质量、体积和能源供应等因素的影响,计算资源和设备功率受到严格限制,这给感知系统的设计与实现提出了挑战.本文针对火星探测器计算资源严重受限的问题,设计了一种基于视觉-惯性多传感器滤波融合的智能感知系统,其主要包括两个模块:1)基于多状态约束卡尔曼滤波MSCKF(multi state constrained Kalman filter)算法的视觉-惯性里程估计模块,实现了相对误差小于1.5％的较高定位精度;2)使用GPU加速的高程地图构建算法,实现了稠密地形图的实时构建.其中,高程地图与机器人位姿采用概率最优的方式进行融合,保证了感知系统整体的概率一致性.相比于现有感知系统,本文所提出的方法可以仅使用双目视觉和IMU实现机器人的位姿估计和周围环境高程地图的构建,并通过合理的算法设计、GPU硬件加速等方法,最终整套系统在30W板载系统上实现了位姿估计输出频率400Hz、地图输出频率4.2Hz的实时运行效果,充分验证了本系统的轻量化特性,能够有效应用于火星车的自主探测任务.     

基于深度神经网络的多星测控调度方法

卫星规模的急剧扩大给传统多星测控调度方法带来了巨大挑战.传统调度方法面临调度时间长、任务满足度低等问题,难以适应大规模卫星调度.为此,引入了支持大数据和并行计算且具有自主学习特性的深度神经网络(DNN)算法,提出了一种基于DNN的多星测控资源调度方法.根据多星测控资源调度的特点以及DNN算法的要求,对调度过程中影响调度...     

专用指令集在基于FPGA的神经网络加速器中的应用#br#

近年来，表现出极其优越性能的神经网络算法对硬件算力的要求逐渐提高.在一些低功耗场景如星载系统中，拥有可编程重构、高并行等特性的FPGA是神经网络算法较为合适的硬件加速平台.为了解决传统神经网络硬件加速器设计中片内资源消耗大、各功能模块耦合性高等问题，设计实现了一套专用AI指令集并应用在了基于FPGA的神经网络加速器的设计中.文章首先介绍了该指令集的设计方案.整个指令集由指令寄存器、指令解释器、指令转发模块、内存管理单元和多个模块构成.通过该指令集可实现对不同模块的复用，降低模块之间的耦合性.并以YOLOV3 Tiny网络模型为例，对比了平铺式和指令控制式两种加速方案的逻辑资源的消耗.验证了应用专用指令集可以减少约50%的FPGA逻辑资源的使用.