有限对象集合的同时镇定与分组设计

研究了有限对象集合同时镇定的基本理论问题。证明了４个对象可同时镇定的充要条件是存在４个稳定的多项式同时满足２个多项式方程。如果找到的多项式仅能满足其中一个方程,那么一定存在２个具有公分母或公分子的控制器使得它们分别同时镇定其中的２个对象。讨论了问题的可解性条件,进而给出了３个对象的分组与同时设计算法。     

基于DCT变换的变步长LMS自适应收发隔离算法

将变换域LMS算法和变步长LMS算法相结合 ,提出了一种基于DCT变换的变步长LMS自适应算法 ,从而有效地降低了输入信号自相关矩阵特征值的分散程度 ,并且克服了固定步长因子所导致算法在快的收敛速度和较低的稳态误差之间存在的矛盾 ,达到了改善干扰机接收信号信干比的目的。计算机仿真结果表明该算法具有更快的收敛速度和更小的权失调噪声 ,可以很好地应用于自适应收发隔离系统     

Kp波段环行器在海军某型警戒雷达上的应用及其分析

分析了在收发电路中采用放电管所带来的问题,针对海军某型警戒雷达提出了用KP波段环行器对收发电路进行改造的方法并进行了技术改造,介绍了系统的运行及测试结果.     

大尺度弱纹理场景下多源信息融合SLAM算法

为实现自主机器人大尺度弱纹理场景下局部精准和全局无漂移的状态估计,提出一种视觉惯性与全球导航卫星系统多源信息融合的同时定位与地图构建算法。首先,通过在局部状态估计中加入线特征来更直观表示环境的几何结构信息,有效提升了弱纹理场景中关键帧之间相对位姿估计的准确性;其次,通过引入线性误差表示,将线性特征表示为直线端点上的线性约束,从而将线特征整合到基于特征点算法的线性表示中,有效改善算法在重复线特征场景下的鲁棒性。最后,使用多源信息融合算法,融合视觉惯性与GNSS测量信息实现了局部精确和全局无漂移的位姿估计,有效解决了大尺度弱纹理场景下的精准状态估计问题。多个公共数据集的评估结果表明,所提出算法的鲁棒性更强、定位准确度更高。     

基于间隔译码的处理器瞬时故障检测

同时冗余线程（SRT）重复的取指过程加剧了I-Cache和取指部件的负担，冗余线程间的取指冲突还会严重影响处理器的整体性能。在深入分析SRT故障检测机理和性能瓶颈的基础上，提出间隔译码的同时冗余线程（SD-SRT），特点如下：用统一取指队列和间隔译码技术取代间隔取指技术，在保持容错能力的前提下明确消除了冗余的取指过程，有效缓解了取指部件和I-Cache的压力，进而提高了整体性能；用统一的寄存器分配和验证机制，取代复杂的RC-Buf结构。实验表明，SD-SST比SRT性能提高20％以上，取指次数降低43％。此外，SD-SRT还显著降低了硬件设计的复杂度。     

光收发组件驱动电路集成化技术研究

本文对干涉式光纤陀螺用光收发组件的驱动电路集成化技术进行了研究.分析了光源输出光功率稳定性对光纤陀螺精度的影响.建立了光源驱动电路的理论模型.设计了相对简单、集成化程度高的光源驱动电路.对所研制的电路进行了全温测试.实现了光源驱动电路的高精度、集成化和小型化.     

视觉及其融合惯性的SLAM技术发展综述

当前视觉同时定位与建图（Simultaneous localization and mapping,SLAM）技术已经成为导航定位领域重要的导航方式之一。为提升视觉SLAM全天候多场景的综合性能,融合多种信息的视觉SLAM技术得到了快速发展。本文系统综述了近年国内外视觉SLAM的研究成果。首先归纳整理了视觉及视觉/惯性SLAM中的前端里程计、后端优化、回环检测和地图构建关键环节。在纯视觉SLAM技术分析方面,围绕传统基于几何变换和现代基于深度学习的两大类视觉SLAM方法开展讨论,并梳理了相关具有代表性的视觉SLAM技术。在详细阐述视觉/惯性组合导航的多信息融合SLAM方法基础上,分析了近年基于异源图像的视觉及其与惯性组合的SLAM导航技术进展。最后对视觉SLAM的未来发展方向进行了针对性展望。     

基于FastSLAM的绳系机器人同时定位与地图构建算法

绳系式移动机器人可用于极端地形的探测,如陡峭斜坡、松软土壤、高耸悬崖、沟壑等。在运动过程中移动机器人的绳索不可避免地与障碍物接触甚至缠绕。由于绳索与障碍物之间的接触点不相互独立以及机器人模型的非线性特性,经典的FastSLAM框架不适用于绳索机器人的同时定位和地图创建（SLAM）问题。提出基于改进FastSLAM框架的绳系机器人SLAM算法。在该框架中,分别利用无迹滤波和粒子滤波解决接触点位置估计和机器人位姿估计问题,并利用非线性观测模型的无迹变换来简化粒子权重更新。仿真结果表明,该算法可有效地估计接触点位置,同时提高机器人位姿估计性能。     

双基地MIMO雷达收发角和径向速度联合估计

在双基地MIMO雷达信号模型基础上,提出一种新的目标收发角和径向速度联合估计方法。该方法首先将三参数估计问题转化为非对称联合对角化问题,然后采用最小二乘循环算法对其求解,估计收发导向矩阵和速度矩阵,最后利用谱分析算法恢复收发角和径向速度。同时采用截断高阶奇异值分解(THOSVD)对数据进行压缩处理,减小运算量。该方法充分利用匹配滤波输出的所有信息,无需二维谱峰搜索,每次循环均可得到精确的闭式解。与基于并行因子(PARAFAC)分析的方法相比,该方法可获得更高的参数估计精度,且三参数自动配对。仿真表明了方法的有效性。     

深度学习在视觉SLAM中应用综述

视觉SLAM一直是近年来火热的研究方向,其处理对象为视觉图像;深度学习在图像处理中展现出的愈加突出的优势,使二者的广泛结合成为了可能.总结了传统SLAM与基于深度学习的SLAM的特点、性质,重点介绍和总结了深度学习在视觉里程计、回环检测中的研究成果,展望了基于深度学习的视觉SLAM的研究发展方向.