基于LSTM-ResNet模型的时变结构损伤检测

面向火箭结构健康监测，提出了一种基于深度学习的损伤检测方法，直接将多个通道的振动数据作为输入，并基于由长短时记忆网络LSTM（Long Short-Term Memory Networks）和残差卷积神经网络ResNet（Residual Convolutional Neural Networks）组合而成的LSTM-ResNet网络进行损伤识别。其优点在于，首先利用LSTM提取信号的时间依赖特征，减轻了由某些通道信号缺失带来的影响，再利用ResNet在不损耗特征的情况下进一步提取空间特征，提高了训练效率和损伤辨识准确性。通过充液圆筒振动放水实验模拟火箭飞行状态下的燃料消耗，并基于自主构建的数据集和公用数据集对LSTM-ResNet、LSTM、ResNet以及ResNet-LSTM网络进行了训练，训练结果表明，LSTM-ResNet组合网络无论在传感器是否存在故障的情况下都具有更好的性能，损伤检测精度更高。     

面向自动驾驶仿真的虚拟LiDAR传感器建模

在自动驾驶仿真领域，虚拟传感器输出数据的精准度是仿真结果可靠性的重要保障。激光雷达（LiDAR）作为车辆环境感知的关键传感器，其采集的点云数据的准确性是实现车辆对三维环境理解的关键。但在虚拟环境中，通过3D渲染技术模拟的点云数据难以真实反映传感器在复杂工况下的变化规律。本文提出一种用于自动驾驶仿真的虚拟LiDAR传感器建模方法。该方法首先基于Unity 3D引擎构建LiDAR的几何测量模型。其次，结合真实传感器的衰变特性推导简化的LiDAR物理模型。最后，基于蒙特卡罗方法在随机模型上对仿真数据进行噪声模拟，从而实现高保真的LiDAR数据输出。所提出的方法可结合精细化的虚拟场景进行数据验证，实验结果表明：该方法能够有效地在虚拟环境下模拟LiDAR数据，从而应用于自动驾驶仿真算法验证过程。     

IABC: An iteratively automatic machine learning boosted hand-eye calibration method for laser displacement sensor

An on-machine measuring (OMM) system with a laser displacement sensor (LDS) is designed for measuring free-form surfaces of hypersonic aircraft’s radomes. To improve the measurement accuracy of the OMM system, a novel Iteratively Automatic machine learning Boosted hand-eye Calibration (IABC) method is proposed. Both the hand-eye relationship and LDS measurement errors can be calibrated in one calibration process without any hardware changes via IABC. Firstly, a new objective function is derived, containing analytical parameters of the hand-eye relationship and LDS errors. Then, a hybrid calibration model composed of two kernels is proposed to solve the objective function. One kernel is the analytical kernel designed for solving analytical parameters. Another kernel is the automatic machine learning (AutoML) kernel designed to model LDS errors. The two kernels are connected with stepwise iterations to find the best calibration results. Compared with traditional methods, hand-eye experiments show that IABC reduces the calibration RMSE by about 50%. Verification experiments show that IABC reduces the measurement deviations by about 25%-50% and RMSEs within 40%. Even when the training data are obviously less than the test data, IABC performs well. Experiments demonstrate that IABC is more accurate than traditional hand-eye methods.     

多传感器融合状态估计方法综述

随着传感器网络技术的发展，多传感器融合状态估计凭借其鲁棒性、灵活性、可扩展性以及便于故障检测等优点，长期受到国内外学者的广泛关注，并取得了大量研究成果。数据融合的方法为融合状态估计奠定了理论基础，也是早期研究的主要方向，从20世纪70年代到20世纪末，相继发展出了集中式和分散式滤波架构及相应算法。无线通信技术的成熟以及一致性算法的出现使得分布式状态估计的研究进入了快车道，自2005年以来，大量基于一致性的分布式滤波算法被提出，其中不乏实用的经典方法和优秀的开创性方法。旨在梳理多传感器融合状态估计的发展，探究从数据融合到分布式滤波的内在联系，并对一些经典方法进行了总结。