针对复杂果园环境行间导航树干检测问题,提出一种基于多线激光雷达(Light detection and ranging,Li DAR)的主干形果树树干层级检测方法,使用16线VLP-16型LiDAR采集车辆周围的果园点云数据,通过目标分割和树干检测2个步骤层次化检测树干...针对复杂果园环境行间导航树干检测问题,提出一种基于多线激光雷达(Light detection and ranging,Li DAR)的主干形果树树干层级检测方法,使用16线VLP-16型LiDAR采集车辆周围的果园点云数据,通过目标分割和树干检测2个步骤层次化检测树干,去除非树干目标,提高树干检测精度。首先,设置环形感兴趣区域(Region of interest,ROI),采用地面拟合算法移除地面点云,消除果园目标点云之间的连通性;其次,设置矩形ROI,采用基于密度的带噪声空间聚类(Density-based spatial clustering of applications with noise,DBSCAN)算法对非地面点云进行x Oy平面聚类,根据Li DAR测量分辨率和果园目标参数设置DBSCAN算法超参数,将非地面点云分割为若干目标簇;然后,从全局和局部2个尺度提取目标簇的几何和强度特征,用这些特征描述树干与其他果园目标间的差异;最后,采用训练好的树干检测器融合特征,将目标簇划分为树干与非树干2个类别,输出树干簇。树干检测步骤采用随机森林(Random forest,RF)算法进行离线特征选择与融合,使用树干和非树干训练样本,基于基尼指数(Gini index,GI)改变量评价特征重要性,从初始特征中选择22个鉴别力较强的特征,再融合这些特征生成树干检测器。实验场景为标准化种植核桃园,共采集1317帧点云数据,从中分割12213个目标簇,其中,树冠、杂草、支撑杆、围栏、土坡、农具、行人等非树干目标占比58.04%。按照帧比例1∶4将目标簇随机划分为训练集和测试集,测试集树干检测精确率为99.16%、召回率为99.21%、F1分数为99.19%,树干层级检测平均帧耗时85.25 ms。本文方法能对复杂果园场景快速、精准地检测出树干,满足果园行间导航对树干检测的准确性和实时性要求。展开更多
在多无人机协同突防过程中,针对无人机需完成目标分配与探干侦动作选择的任务决策存在模型构建难,对模型求解方法复杂度高的问题,提出一种蒙特卡罗树搜索(Monte Carlo tree search,MCTS)的改进方法实现多无人机多任务联合决策。首先,考...在多无人机协同突防过程中,针对无人机需完成目标分配与探干侦动作选择的任务决策存在模型构建难,对模型求解方法复杂度高的问题,提出一种蒙特卡罗树搜索(Monte Carlo tree search,MCTS)的改进方法实现多无人机多任务联合决策。首先,考虑无人机与雷达对抗中的角度、距离等态势要素,以及当前无人机动作执行成功概率和雷达状态有效概率,构建多无人机目标分配与探干侦动作统一决策数学模型。其次,提出搜索次数自适应调整的改进MCTS算法对模型求解,实现大规模解空间在线快速寻优。仿真结果表明,改进算法使多雷达系统对无人机的威胁程度下降约16.8%,相比多臂赌博机算法效果提升约5.08%,决策时间约0.23 s,比传统MCTS缩短约45.7%,有助于提升无人机战场生存率。展开更多
面向插电式混合动力乘用车(Plug-in hybrid electric passenger vehicles,PHEV)能耗表征,构建同时预测油耗(Fuel consumption,FC)与等效电耗(Equivalent power consumption,EPC)的联合建模方案.以美国能源署官方公开数据的PHEV子集为样...面向插电式混合动力乘用车(Plug-in hybrid electric passenger vehicles,PHEV)能耗表征,构建同时预测油耗(Fuel consumption,FC)与等效电耗(Equivalent power consumption,EPC)的联合建模方案.以美国能源署官方公开数据的PHEV子集为样本,采用共享特征的梯度提升决策树(Gradient Boosting Decision Tree,GBDT)对两通道回归,设置单任务线性/树模型为基线,按“车辆类别×驱动形式”分层的五折交叉验证进行折外评估.引入纯电占比α,定义等效能耗(Equivalent energy consumption,EEC)并分析情景敏感性与误差传递.结果显示:折外平均绝对误差(Out-of-Fold Mean Absolute Error,OOFMAE)约0.9 MPG(miles per gallon)、3.9 EMPG(equivalent miles per gallon),R^(2)约0.97、0.93;EEC误差随α从FC主导向EPC.分层统计表明,不同车辆类别与驱动形式的误差存在差异.展开更多
文摘针对复杂果园环境行间导航树干检测问题,提出一种基于多线激光雷达(Light detection and ranging,Li DAR)的主干形果树树干层级检测方法,使用16线VLP-16型LiDAR采集车辆周围的果园点云数据,通过目标分割和树干检测2个步骤层次化检测树干,去除非树干目标,提高树干检测精度。首先,设置环形感兴趣区域(Region of interest,ROI),采用地面拟合算法移除地面点云,消除果园目标点云之间的连通性;其次,设置矩形ROI,采用基于密度的带噪声空间聚类(Density-based spatial clustering of applications with noise,DBSCAN)算法对非地面点云进行x Oy平面聚类,根据Li DAR测量分辨率和果园目标参数设置DBSCAN算法超参数,将非地面点云分割为若干目标簇;然后,从全局和局部2个尺度提取目标簇的几何和强度特征,用这些特征描述树干与其他果园目标间的差异;最后,采用训练好的树干检测器融合特征,将目标簇划分为树干与非树干2个类别,输出树干簇。树干检测步骤采用随机森林(Random forest,RF)算法进行离线特征选择与融合,使用树干和非树干训练样本,基于基尼指数(Gini index,GI)改变量评价特征重要性,从初始特征中选择22个鉴别力较强的特征,再融合这些特征生成树干检测器。实验场景为标准化种植核桃园,共采集1317帧点云数据,从中分割12213个目标簇,其中,树冠、杂草、支撑杆、围栏、土坡、农具、行人等非树干目标占比58.04%。按照帧比例1∶4将目标簇随机划分为训练集和测试集,测试集树干检测精确率为99.16%、召回率为99.21%、F1分数为99.19%,树干层级检测平均帧耗时85.25 ms。本文方法能对复杂果园场景快速、精准地检测出树干,满足果园行间导航对树干检测的准确性和实时性要求。
文摘在多无人机协同突防过程中,针对无人机需完成目标分配与探干侦动作选择的任务决策存在模型构建难,对模型求解方法复杂度高的问题,提出一种蒙特卡罗树搜索(Monte Carlo tree search,MCTS)的改进方法实现多无人机多任务联合决策。首先,考虑无人机与雷达对抗中的角度、距离等态势要素,以及当前无人机动作执行成功概率和雷达状态有效概率,构建多无人机目标分配与探干侦动作统一决策数学模型。其次,提出搜索次数自适应调整的改进MCTS算法对模型求解,实现大规模解空间在线快速寻优。仿真结果表明,改进算法使多雷达系统对无人机的威胁程度下降约16.8%,相比多臂赌博机算法效果提升约5.08%,决策时间约0.23 s,比传统MCTS缩短约45.7%,有助于提升无人机战场生存率。
文摘面向插电式混合动力乘用车(Plug-in hybrid electric passenger vehicles,PHEV)能耗表征,构建同时预测油耗(Fuel consumption,FC)与等效电耗(Equivalent power consumption,EPC)的联合建模方案.以美国能源署官方公开数据的PHEV子集为样本,采用共享特征的梯度提升决策树(Gradient Boosting Decision Tree,GBDT)对两通道回归,设置单任务线性/树模型为基线,按“车辆类别×驱动形式”分层的五折交叉验证进行折外评估.引入纯电占比α,定义等效能耗(Equivalent energy consumption,EEC)并分析情景敏感性与误差传递.结果显示:折外平均绝对误差(Out-of-Fold Mean Absolute Error,OOFMAE)约0.9 MPG(miles per gallon)、3.9 EMPG(equivalent miles per gallon),R^(2)约0.97、0.93;EEC误差随α从FC主导向EPC.分层统计表明,不同车辆类别与驱动形式的误差存在差异.
