采用视觉伺服的月球样品容器夹持控制方法

嫦娥五号探测器月面采样封装任务需利用采样机械臂及其末端执行机构夹持样品容器,为克服非结构化月面环境对机械臂控制造成的不可知影响,确保精确夹持样品容器,提出并设计了一种视觉伺服样品容器夹持的控制方法和系统。系统通过固定安装相机和"眼在手"相机协同获取机械臂末端执行机构以及样品容器特征,采用扩展卡尔曼滤波算法对机械臂末端执行机构位姿的控制参数进行估计,消除控制位姿的轨迹抖动,实现了对样品容器的精确夹持。最后,通过分析在轨月球样品容器被夹持过程的数据和图像,验证了该视觉伺服控制方法和系统设计正确有效。     

基于单目视觉原理的空间位置测量技术研究

为了提升空间位置测量的自动化程度，采用单目视觉原理建立空间成像方程，将三维的空间坐标转换为两维的图像坐标，由此实现单目视觉的空间位置测量。本文推导了单目视觉定位的基本成像方程，对建立的定位装置，进行了实际定位实验，实现了预期的测量结果。基于视觉原理的空间位置测量技术，具有良好的推广应用价值。     

星载天线展开过程立体视觉动态测量技术

介绍了基于立体视觉原理的星载天线动态展开过程测量方法，通过基于标准长度的标定方法、双目立体视觉交会坐标解算和动态多目标点识别跟踪等关键技术的研究，实现了对可展开天线各关节点在展开过程中的三维运动轨迹的测量，并实现了试验验证。试验结果表明，该方法可获得各关节点在不同时刻的三维点坐标，解算出展开运动的运动速度、加速度和展开后的面型等参数，为大型可展开天线柔性机构设计、动力学分析和展开可靠性分析等提供必要的参考。     

卷积神经网络及其在航空视觉任务中的应用展望

从卷积神经网络的基本理论出发,介绍了几种经典卷积网络结构,并结合当前卷积神经网络在计算机视觉领域的应用现状,重点探讨了它在未来航空视觉相关任务系统中的应用前景,以及实施这些技术必须解决的若干问题,为未来航空装备智能化水平的进一步提升提供参考。     

基于机器视觉的轻型梁三维振动测量方法

振动测量是状态检测和故障诊断的方法之一，针对传统接触式测量方法中存在负载效应等问题，对基于机器视觉的三维振动测量方法进行了研究。首先，基于视频相位的二维振动测量方法，提取出相机所采集图像中被测目标的二维振动数据。然后，在二维振动测量方法的基础上，结合双目立体视觉，设计了一种基于机器视觉的三维振动测量方法。最后，进行了悬臂梁的振动测量实验。结果表明:所提方法可以实现无接触和无标记的振动测量，并能准确测量出三维的振动信息。      

多臂空间机器人的视觉伺服与协调控制

针对多臂空间机器人自主目标抓捕任务，首先建立多臂空间机器人的运动模型和其与目标的相对运动模型，采用Kane方法建立多臂空间机器人的动力学模型；其次，研究基于视觉伺服的机械臂在线轨迹规划算法，并引入零反作用机动，消除机械臂运动对平台姿态的扰动；再次，在不使用零反作用机动功能时，分别使用基于角动量前馈补偿的协调控制算法和逆动力学方法设计了协调控制器，在机械臂运动时保持平台姿态和相对目标的位置。最后，开发了基于Matlab的仿真软件MASS（多臂空间机器人仿真），仿真结果校验了上述方法的有效性。     

基于视觉注意力分配的飞机驾驶舱人机界面布局优化

以优化飞机驾驶舱人机界面布局设计为目的,提出了一种基于飞行员视觉注意力分配的布局优化模型。首先分析了计算机辅助三维交互应用软件(Computer aided three-dimensional interactive application,CATIA)中的可视域分析模块,给出不同视野区域的可视性等级,并对驾驶舱人机界面所在的视野范围进行栅格化处理;然后用G1法分析人机界面上各个设备的重要程度,并给予定量赋值;最后建立以飞机驾驶舱人机界面布局的视觉注意分配达到最优为目标函数的优化模型,并引入带有惯性权重的粒子群算法进行模型的求解。利用飞机模拟驾驶舱的人机界面布局为例,进行模型验证,结果表明该模型具有一定的可行性。     

一种可变锚框候选区域网络的目标检测方法

目标检测作为计算机视觉领域的热点问题，目前基于深度学习的目标检测方法可以分为2类:两步检测和一步检测，前者有着较高准确性，后者有着较好速度，但是为提高检测的性能两者都引入了锚机制。为提高目标检测系统的性能，基于深度卷积神经网络的两步检测算法引入了注意力引导（AG）模块，通过对候选区域网络（RPN）的锚机制进行引导，使得对于预选锚框形状的选择更具有多样性；同时针对传统的后处理方式非极大值抑制（NMS）算法存在的误检和漏检的问题，提出了一种置信度因子的NMS（Cf-NMS）算法，对于模型的整体性能有着很大的贡献。实验结果说明，所提方法虽然在速度性能上有略微的下降，但是无论是在RPN变体还是现有的先进算法在准确性方面都有提升。      

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.     

视觉与惯性融合的多旋翼飞行机器人室内定位技术

随着人工智能技术的发展，无人机的应用场景趋向多元，人们对无人机的需求也不仅仅满足于简单的飞行任务，而是赋予其飞行机器人的角色，对其自主导航、复杂环境下的定位以及智能协同方面提出了更高的要求。针对室内场景下的定位需求，融合视觉与惯性数据实现了多旋翼飞行机器人的室内定位。在视觉前端加入图像增强算法以提高图像灰度对比度，减少了光流跟踪的误匹配点数。提出了一种基于图像信息的特征点提取和图像帧发布策略提高了定位精度，解决了室内环境下的定位漂移问题。针对飞行机器人室内自主跟踪及降落任务，设计了基于视觉定位的飞行机器人自主降落系统。在Gazebo中搭建飞行机器人模型仿真验证自主降落系统有效性，在EuRoC数据集下对定位算法进行对比评估，搭建飞行机器人平台在真实场景下进行室内定位实验，完成了室内场景下平台自主跟踪及降落任务，并采用运动捕捉系统获取的定位真值数据进行了误差分析，结果表明该定位技术满足室内场景下的自主跟踪及降落任务需求。