利用小波分析在轨识别空间目标轨道机动

空间目标的轨道机动往往隐藏在测量噪声中, 不容易被识别出来. 轨道机动可以引起机械能的突变, 用空间目标与航天器的单位质量机械能差作为机动识别的特征信号, 不会引入航天器本身的定轨误差. 用小波多尺度分解处理含噪声的特征信号, 对分解后的数据利用算法识别是否存在机动. 仿真结果表明, 本文提供的方法能有效识别空间目标的轨道机动.      

基于时空关联图模型的视频监控目标跟踪

多摄像机监控环境下的无重叠视域目标跟踪问题十分具有挑战性,其原因在于跟踪目标在网络中的转移与运动规律往往具有不确定性.目标跟踪的关键问题在于摄像机之间的目标关联以及如何依据网络拓扑结构来找到目标之间的对应关系.提出了一种图模型来对摄像机网络中的时空关联关系进行表达.图模型中的节点表示目标在摄像机视域中的出现区域和消失区域,边由时间与空间关系进行约束.提出了一种将目标外观模型与图模型相融合的跟踪方法,其中外观模型通过协方差描述子进行特征融合,同时,结合二部图匹配策略来解决多摄像头目标跟踪中的识别与匹配问题.在真实监控视频上的实验验证了该方法的有效性.      

基于核方法的聚类算法及其应用

在分析核方法的核心概念基础上,提出了一种基于核方法的聚类算法.通常,传统聚类算法只在数据特征差异较大时才有效,当数据特征差异较小时,很难取得较好的聚类效果.引入核函数,将原始数据由数据空间映射到特征空间,在特征空间中进行聚类.核函数的非线性映射使得原始数据的特征更完整地显现出来,从而能够更客观准确地聚类.与传统聚类方法相比,该方法聚类结果更客观有效.以16组实际数据为例,将该方法应用于数据分类研究中,聚类结果表明了该方法的可行性和有效性,从而为数据分类提供了一种新的可行方法.      

基于改进蚁群算法的多机器人任务分配

任务分配是多机器人系统需要解决的首要问题.针对传统蚁群算法求解多机器人任务分配收敛速度慢且易陷入局部最优问题,提出了改进蚁群算法.考虑多机器人任务分配问题,建立多旅行商问题模型,采用蚁群算法优化出解空间,然后采用遗传算法中的变异算子对每个机器人执行任务的顺序进行优化,并根据模拟退火过程中Metropolis准则以一定的概率接受优化过程中较差的解.在复杂约束条件下,为解决蚁群算法收敛速度慢且易陷入局部极小问题,引入局部优化变异算子和改进模拟退火算法.仿真结果表明,改进蚁群算法可以更好的解决多机器人任务分配问题.     

国外载人航天在轨服务技术发展现状和趋势分析

保证在轨和在研航天器能在复杂空间环境中长时间稳定运行,已成为空间技术发展的重要目标。20世纪60年代,研究人员提出了“在轨服务”的概念,由此开创了空间在轨服务技术这一新的领域。空间在轨服务（OOS）是指在太空中通过人、机器人（或类机器人航天器）或两者协同来完成涉及延长航天器、平台、空间站附属舱和空间运载器寿命及能力的空间装配、维护、维修等空间操作。     

基于迁移学习的卷积神经网络SAR图像目标识别

针对卷积神经网络中因网络参数随机初始化和参数过多导致的收敛速度慢及过拟合的问题,提出了一种基于迁移学习监督式预训练的卷积神经网络。首先,引入迁移学习的思想,采用小规模数据集作为源域的训练样本,针对源域中源任务进行监督式训练得到预训练模型;然后,构建一个多层的卷积神经网络作为目标域中目标任务的待训练网络,将源域中获得的预训练模型作为该网络的初始参数,大规模数据作为目标域的训练样本进行网络的微调,通过这种基于特征选择的迁移学习,实现源域到目标域的特征信息迁移;针对卷积神经网络中全连接层参数过多的问题,采用卷积层替代全连接层。试验使用美国国防高等研究计划署的移动与静止目标搜索识别（Moving and Stationary Target Acquisition and Recognition,MSTAR）数据集中三类目标数据作为源域样本,十类目标数据作为目标域样本,结果表明该算法的十类目标识别精度达到了99.13%,且具有更快的误差收敛速度。     

多空间机器人协同工作空间的数值求解方法

针对未来在轨服务过程中，可能遇到单个空间机器人难以独立胜任的应用场景，需要多个空间机器人协同操作，但目前针对多空间机器人协同工作空间的研究很少。考虑到解析法计算工作空间难度很大，提出了一种基于蒙特卡洛法的一般协同工作空间数值求解方法。再进一步针对空间机器人协同的特殊性，提出了广义协同工作空间的概念，并给出了数值求解方法。仿真结果表明，基座姿态约束会引起协同工作空间的缩小，同时广义协同工作空间的范围明显大于一般协同工作空间。所得结论可以为空间机器人任务设计与规划提供参考。     

基于光谱知识的高光谱图像自动识别方法

针对传统高光谱图像矿物识别方法未能充分利用矿物光谱诊断吸收特征与矿物光谱知识、识别过程人为干预多等问题,提出了一种基于光谱知识的高光谱图像自动识别方法.该方法引入了基于光谱吸收特征与波形特征的光谱知识作为自动识别的标准,利用连续统去除操作增强光谱吸收特征,采取基于光谱主次吸收特征的识别决策策略,建立多级约束准则以提高识别精度及避免误识别,通过利用模拟数据进行算法精度评价并应用航空高光谱成像仪AVIRIS(Airborne Visible/Infrared Imaging Spectrometer)数据进行应用分析与验证.结果表明:当图像信噪比大于200时,识别准确率可以达到80.3%,能够得到良好的识别结果以及较高的精度,并实现了基于高光谱图像的矿物自动识别.     

室内多移动机器人协同建图与路径规划

多机器人协同定位与路径规划是协同侦察、作战等场景中的首要问题，其难点在于如何在未知环境下完成自主定位。提出了将多机器人同步定位与构图(Simultaneous Localization and Mapping，SLAM)系统应用于室内环境，，以解决此问题。针对机器人定位存在的相关定位误差，采用了增加惯性测量单元的方法，以进行修正。为解决单个机器人在构建地图时速度较慢的问题，将基于坐标变换的方法用于多机器人的地图融合。此外，基于冲突检测和冲突规避思想，对多机器人路径规划方法进行了研究，并将其部署在了多机器人系统中。实验结果表明，采用多机器人协作进行环境探测，在确保全局地图信息完备的同时，可以提高构图效率。基于冲突规避的多机路径规划方法，可以为机器人个体规划出无碰撞路径，机器人可以根据该路径到达目标位置。     

A Partially Orthogonal EnKF approach to atmospheric density estimation using orbital debris

A key requirement for accurate trajectory prediction and space situational awareness is knowledge of how non-conservative forces affect space object motion. These forces vary temporally and spatially, and are driven by the underlying behavior of space weather particularly in Low Earth Orbit (LEO). Existing trajectory prediction algorithms adjust space weather models based on calibration satellite observations. However, lack of sufficient data and mismodeling of non-conservative forces cause inaccuracies in space object motion prediction, especially for uncontrolled debris objects. The uncontrolled nature of debris objects makes them particularly sensitive to the variations in space weather. Our research takes advantage of this behavior by utilizing observations of debris objects to infer the space environment parameters influencing their motion.The hypothesis of this research is that it is possible to utilize debris objects as passive, indirect sensors of the space environment. We focus on estimating atmospheric density and its spatial variability to allow for more precise prediction of LEO object motion. The estimated density is parameterized as a grid of values, distributed by latitude and local sidereal time over a spherical shell encompassing Earth at a fixed altitude of 400 km. The position and velocity of each debris object are also estimated. A Partially Orthogonal Ensemble Kalman Filter (POEnKF) is used for assimilation of space object measurements to estimate density.For performance comparison, the scenario characteristics (number of objects, measurement cadence, etc.) are based on a sensor tasking campaign executed for the High Accuracy Satellite Drag Model project. The POEnKF analysis details spatial comparisons between the true and estimated density fields, and quantifies the improved accuracy in debris object motion predictions due to more accurate drag force models from density estimates. It is shown that there is an advantage to utilizing multiple debris objects instead of just one object. Although the work presented here explores the POEnKF performance when using information from only 16 debris objects, the research vision is to utilize information from all routinely observed debris objects. Overall, the filter demonstrates the ability to estimate density to within a threshold of accuracy dependent on measurement/sensor error. In the case of a geomagnetic storm, the filter is able to track the storm and provide more accurate density estimates than would be achieved using a simple exponential atmospheric density model or MSIS Atmospheric Model (when calm conditions are assumed).     

Design and fabrication of robotic gripper for grasping in minimizing contact force

This paper presents a new method to improve the kinematics of robot gripper for grasping in unstructured environments, such as space operations. The robot gripper is inspired from the human hand and kept the hand design close to the structure of human fingers to provide successful grasping capabilities. The main goal is to improve kinematic structure of gripper to increase the grasping capability of large objects, decrease the contact forces and makes a successful grasp of various objects in unstructured environments. This research will describe the development of a self-adaptive and reconfigurable robotic hand for space operations through mechanical compliance which is versatile, robust and easy to control. Our model contains two fingers, two-link and three-link, with combining a kinematic model of thumb index. Moreover, some experimental tests are performed to examine the effectiveness of the hand-made in real, unstructured tasks. The results represent that the successful grasp range is improved about 30% and the contact forces is reduced approximately 10% for a wide range of target object size. According to the obtained results, the proposed approach provides an accommodative kinematic model which makes the better grasping capability by fingers geometries for a robot gripper.     

基于高斯过程的机器人自适应抓取策略

在机器人抓取作业时,目标物体的位姿经常发生变化。为了使机器人在运动过程中能够适应物体的位姿变化,提出了一种基于高斯过程的机器人自适应抓取策略。该方法建立了从观测空间到关节空间的映射,使机器人从样本中学习,省去了机器人视觉系统的标定和逆运动学求解。首先,拖动机器人抓取物体,记录物体的观测变量和机器人的关节角度;然后,利用记录的样本训练高斯过程模型,实现观测变量和关节角度的关联;最后,当得到新的观测变量时,通过训练的高斯过程模型得到机器人的关节角度。经过训练后,UR3机器人成功抓取了物体。     

基于菲涅耳变换的不变矩提取及目标识别方法

提出了一种基于菲涅耳变换的不变矩特征提取方法,并应用于图像目标识别.利用菲涅耳变换得到图像的衍射图样,将图像映射到菲涅耳衍射空间;在衍射空间提取几何矩或正交矩来获取图像全局信息的特征描述;利用k近邻法识别目标.实验结果表明基于菲涅耳变换的不变矩提取方法对于平移、尺度及旋转变化的图像目标具有更高的分类精度和抗噪声能力.     

基于智能空间的家庭服务机器人混合定位方法

智能空间在家庭服务机器人的应用中具有重要的作用,服务机器人的定位是其中的难点.首先提出了一种家庭环境下实现服务机器人进行家庭辅助操作的智能空间架构,然后对一种低成本的服务机器人混合定位方法进行了研究,该方法首先基于加权概率匹配定位算法的无线网络信号强度确定位置范围,然后读取智能空间中的无线射频标签进行位置计算,最后基于比例不变特征变换算法进行最终位置的视觉定位.在家居环境下的实验证明了该混合定位方法的有效性,该混合定位方法为服务机器人走入家庭提供了一种低成本、高可靠性的定位解决方案.     

机器人视觉系统模糊识别抓取物算法

针对机器人视觉系统对抓取物的模糊识别问题,参照人眼-脑识别对象的过程,建立了包括区域分割与模糊识别两个环节的识别算法.以视觉图像的灰度与色度特征作为区域分割与模糊识别的依据,从灰度、色度及形体特征上提取特征集的指标,并根据经walsh变换后图像灰度迅速向低频聚集的特点,提出基于walsh变换的基元模式识别特征的定义方法.在构建识别目标矩阵与关系矩阵的基础上,应用模糊关系合成与最大隶属度原则建立识别算法.该算法可从少量的采样点中识别出对象,具有较好的实时性.     

运动信息引导的目标检测算法

在室外监控视频的场景下，由于场景的复杂性及目标的多样性，监控视频中的目标存在难以检测的情况，如目标被遮挡、目标尺寸变化等，目标检测任务仍然存在挑战。基于此，提出了一种利用运动信息引导基于卷积神经网络的目标检测算法来提高目标检测的准确率。对运动目标检测算法进行一定的改进，使得到的运动前景图中能够保持静止目标前景的存在；利用运动前景图中的前景可以指示目标空间位置的特点，在特征层面将网络提取的特征图与获取的以运动前景图为主的运动信息相融合，提高特征图可能存在目标区域的响应值；在目标检测算法的检测器中，引入一个定位分支，利用视频帧的运动前景图，学习候选目标的定位置信度，并与目标的分类置信度加权求和，作为目标最终的置信度，再通过非极大值抑制方法得到检测结果。实验证明，在固定摄像机下采集的数据集中，所提算法能够提升目标检测的准确率。      

基于Gabor滤波器的图像目标识别方法

为了给机器人视觉导航提供有效信息,提出一种基于图像匹配的目标识别方法.对CCD采集的目标图像,由 Gabor 变换生成的二维Gabor 滤波器有着优良的滤波器性能,不需要对图像进行分割,能适应一定的旋转、尺度、光照的变化,通过多个频率和角度的Gabor算子与图像的卷积,获取图像全局信息的特征描述.分类方法采用统计学习理论基础上发展起来的一种新的机器学习方法——支持向量机(SVM, Support Vector Machines),它可解决模型选择、过学习、维数灾难等问题.通过支持向量机进行多维特征向量的分类.该方法可达到较高的识别率,达到实时处理的要求,可以在人脸识别、机器人视觉定位等领域得到应用.      

一种时空特征聚合的水下珊瑚礁鱼检测方法

水下监控视频中的珊瑚礁鱼检测面临着视频成像质量不高、水下环境复杂、珊瑚礁鱼视觉多样性高等困难，是一个极具挑战的视觉目标检测问题，如何提取高辨识度的特征成为制约检测精度提升的关键。提出了一种时空特征聚合的水下珊瑚礁鱼检测方法，通过设计视觉特征聚合和时序特征聚合2个模块，融合多个维度的特征以实现这一目标。前者设计了自顶向下的切分和自底向上的归并方案，可实现不同分辨率多层卷积特征图的有效聚合；后者给出了一种帧差引导的相邻帧特征图融合方案，可通过融合多帧特征图强化运动目标及其周边区域的特征表示。公开数据集上的实验表明:基于以上2个模块设计的时空特征聚合网络可以实现对水下珊瑚礁鱼的有效检测，相比于多个主流方法和模型取得了更高的检测精度。      

空间目标RCS序列的分形分析

空间运动目标雷达散射截面(RCS)序列为非平稳时间序列, 常用时间序列分析方法很难对其进行分析和特征提取。针对部分空间运动目标 RCS序列的变化规律, 首次引入了分数布朗运动模型对其 RCS序列进行分析和特征提取。实测数据处理结果表明,其RCS序列具有分形特性, 其分形维可作为空间目标识别的有效特征。