题名 智能汽车CAN总线通信系统的建模与验证
被引量：7
1
作者
张芮 王瑞 楚敏
机构
首都师范大学 信息工程学院首都师范大学 轻型 工业 机器人 与 安全 验证 北京市 重点 实验室
出处
《计算机应用与软件》
北大核心
2020年第7期1-8,42,共9页
基金
国家自然科学基金项目(61702348,61572331,61472468)。
文摘
车载通信系统是智能车辆与外界环境交互的媒介和内部报文信息传输的载体。为了保证智能车辆通信系统的安全性和可靠性,对智能汽车基于控制器局域网络(Control Area Network,CAN)总线的通信过程进行分析并建立时间自动机模型。加入对通信过程中网关的分析和建模,模拟外部环境到内部单元之间不同速率通信过程;抽取车辆通信系统需要满足的属性。运用模型检测工具验证了智能车辆通信的实时性和正确性。结果表明该模型可以满足有关属性,确保车辆在遇到突发紧急的交通情况下,通信系统能够及时传递数据,车辆做出正确的反应并且辅助驾驶员做出相应操作。
关键词
形式化验证 智能汽车 控制器局域网络总线 通信系统 时间自动机
Keywords
Formal verification Intelligent vehicle CAN BUS Communication system Timed automata
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
题名 神经网络可信性的形式化验证方法综述
被引量：2
2
作者
王莉 李晓娟 关永 王瑞 王佳岳
机构
首都师范大学 信息工程学院首都师范大学 高可靠嵌入式系统技术北京市 工程研究中心首都师范大学 北京 成像理论与 技术高精尖创新中心首都师范大学 轻型 工业 机器人 与 安全 验证 北京市 重点 实验室
出处
《小型微型计算机系统》
CSCD
北大核心
2022年第9期1830-1837,共8页
基金
国家自然科学基金项目(61977040,61876111)资助 科技创新服务能力建设(20530290073)-首都师范大学交叉研究院项目(19530012005)资助.
文摘
随着神经网络技术的不断发展和完善,其应用也随之扩展,如何保证其可信性是在许多应用领域特别是安全攸关应用中部署的关键,目前对神经网络可信性研究主要体现在通过循环优化网络训练等过程和对神经网络进行验证两方面.基于形式化方法可以对网络属性、核心算法进行严格的逻辑和模型表达并进行验证,本文利用形式化的方法对神经网络进行可信性验证的研究现状进行综述,对神经网络可信性问题的抽象、属性表达及形式验证进行阐述,并进一步对基于反例的验证、抽象解释、可满足性求解、输入/输出可达性分析等方法的核心算法、特点进行分类阐述和总结,对未来发展趋势进行展望.
关键词
神经网络 可信性属性 模型抽象 形式化方法
Keywords
neural network credibility properties model abstraction formal method
分类号
TP389
[自动化与计算机技术—计算机系统结构]
题名 一种采用空间特征编码的车道线检测方法
被引量：2
3
作者
赵振东 邵振洲 谢劼欣 施智平 关永
机构
首都师范大学 信息工程学院首都师范大学 轻型 工业 机器人 与 安全 验证 北京市 重点 实验室 成像技术北京市 高精尖创新中心
出处
《小型微型计算机系统》
CSCD
北大核心
2020年第9期1952-1958,共7页
基金
国家自然科学基金项目(61772351,61702348,61602326,61602324)资助 北京市科委项目(LJ201607)资助 +2 种基金 北京市教委科研计划一般项目(KM201710028017)资助 科技创新服务能力建设-基本科研业务费(科研类)项目(025185305000)资助 首都师范大学青年科研创新团队项目资助。
文摘
针对位于视野两侧的车道线易受光照等影响变得模糊而难以检测的问题,本文利用外形细长的车道线具有较强的空间信息的先验知识,设计了一个基于空间特征编码的端到端多任务网络LDNet-SFE.通过将特征图的每一行视作新的卷积层,把逐层卷积操作的原理应用到逐行卷积中,从而提取丰富空间信息,使网络更好地捕获车道线的空间连续性的特征.我们在公开数据集Cordova1和Washington1下进行实验,LDNet-SFE的F1分数分别达到了0.877和0.866,性能优于现有方法.
关键词
车道线检测 多任务网络 空间信息 空间特征编码
Keywords
lane detection multi-task network spatial information spatial feature encoding
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 一种面向多模态手术轨迹的快速无监督分割方法
被引量：1
4
作者
邵振洲 赵红发 渠瀛 施智平 关永 袁慧梅
机构
首都师范大学 信息工程学院首都师范大学 轻型 工业 机器人 与 安全 验证 北京市 重点 实验室 成像技术北京市 高精尖创新中心 田纳西大学 诺克斯维尔分校工程学院
出处
《小型微型计算机系统》
CSCD
北大核心
2018年第10期2296-2302,共7页
基金
北京市教委科研计划一般项目(KM201710028017)资助 北京市教委科研基地建设项目(TJSHG201310028014)资助 +10 种基金 北京市优秀人才培养青年骨干个人项目(2014000020124G135)资助 国家自然科学基金项目(61702348 61772351 61572331 61472468 61602325 61373034)资助 国家科技支撑计划项目(2015BAF13B01)资助 国际科技合作计划项目(2011DFG13000)资助 北京市科委项目(Z141100002014001)资助 北京市属高等学校创新团队建设与教师职业发展计划项目(IDHT20150507)资助.
文摘
基于视频和机器人运动学数据的多模态手术轨迹分割是机器人辅助微创手术中的一类基本任务,用于生成低复杂度的子任务进行学习和技能评估等.然而由于手术视频的高维特征空间,传统的特征提取方法存在效率低下、难以提取有效特征的缺陷.此外,传统轨迹分割方法未对运动学轨迹进行去噪处理,分割结果易受噪声影响.为此,本文提出了一种基于手术视频和机器人运动学数据的快速手术轨迹无监督分割方法.一方面,采用堆叠卷积自编码器方法对手术视频进行无监督的低维特征提取,提高特征提取的效率;另一方面,利用小波变换对手术运动学轨迹进行多尺度去噪处理,平滑短程轨迹,减少噪声对分割结果的影响.最后,采用非参混合模型实现手术轨迹的分割.实验表明,本文提出的手术轨迹分割方法能够在保证准确性的前提下,基于视觉和运动学特征的分割速度相较于基于深度学习转移状态聚类(TSC-DL)提高了10倍.
关键词
机器人辅助微创手术 轨迹分割 堆叠卷积自编码 小波平滑 深度学习
Keywords
robot-assisted minimally invasive surgery trajectory segmentation stacked convohitional auto-encoder wavelet smoothing deep learning
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 一种面向运动目标提取的对称交替方向RPCA算法
被引量：1
5
作者
吴高宇 邵振洲 渠瀛 施智平 关永
机构
首都师范大学 信息工程学院成像技术北京市 高精尖创新中心 田纳西大学 诺克斯维尔分校工程学院 首都师范大学 轻型 工业 机器人 与 安全 验证 北京市 重点 实验室
出处
《小型微型计算机系统》
CSCD
北大核心
2018年第6期1349-1353,共5页
基金
北京市教委科研计划一般项目(KM201710028017)资助 北京市教委科研基地建设项目(TJSHG201310028014)资助 +8 种基金 北京市优秀人才培养青年骨干个人项目(2014000020124G135)资助 国家自然科学基金项目(61572331 61472468 61602325 61373034)资助 国家科技支撑计划项目(2015BAF13B01)资助 国际科技合作计划项目(2011DFG13000)资助 北京市科委项目(Z141100002014001)资助 北京市属高等学校创新团队建设与教师职业发展计划项目(IDHT20150507)资助
文摘
基于鲁棒主成分分析(RPCA)的运动目标提取对背景变化具有良好的鲁棒性,但传统的基于交替方向法(ADM)的鲁棒主成分分析方法存在计算量大、耗时长等缺陷.为了克服这些问题,一种对称交替方向法(SADM)被提出来,该方法优化了原ADM迭代策略,在一次迭代中对线性约束乘数更新两次,减少了计算成本很大的奇异值分解(SVD)执行的次数,同时加入了新的均衡参数和停机准则,以提高运动目标的提取精度,避免多余的迭代以减少运行时间.通过F测度这一衡量指标对实验结果进行量化,提出的算法比对比算法的提取精度平均提高33.04%,运行时间相对原ADM提高了98.8%.
关键词
运动目标提取 鲁棒主成分分析 交替方向法 奇异值分解 停机准则
Keywords
moving object detection robust principal component analysis { RPCA ） alternating direction method （ ADM ） singular value decomposition （ SVD ） interrupt mechanism
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 基于语音和图像的机器人学习系统研究
6
作者
薛洋洋 赵红发 邵振洲
机构
首都师范大学 信息工程学院首都师范大学 轻型 工业 机器人 与 安全 验证 北京市 重点 实验室 首都师范大学 成像技术北京市 高精尖创新中心
出处
《河南大学学报（自然科学版）》
CAS
2018年第5期581-589,共9页
基金
国家自然科学基金项目(61702348) 北京市教委科研计划一般项目(KM201710028017)
文摘
目前,大部分机器人通过在线编程的方式来完成预先设定的功能,但是智能化水平相对有限,无法主动学习新的任务和应对新的环境.设计一个基于语音交互和神经网络的机器人自主学习系统,一方面系统根据任务需求,利用Kinect深度传感器采集目标的颜色和深度信息进行目标的检测和特征提取,通过语音识别自动生成神经网络模型的训练样本,用于训练和更新神经网络模型;另一方面基于神经网络模型识别目标,通过自然的语音交互方式控制机器人的运动.通过仿真和真实机器人实验验证了自动训练未知事物模型的机器人学习系统的可行性,其中还对机械臂进行了坐标校正和轨迹规划,这样无论是在笛卡尔空间还是在关节空间内,机械臂都能平滑稳定地运动,保证了路径的平滑和工作的安全性.实验结果表明,基于本文设计的自主学习系统可以快速学习和完成新的任务,具有很好的扩展性,适用于不同的任务需求的应用场景.
关键词
语音识别 神经网络 机器人 学习系统
Keywords
speech recognition neural network robot learning system
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
题名 轻量级卷积神经网络的机器人抓取检测研究
被引量：11
7
作者
马倩倩 李晓娟 施智平
机构
首都师范大学 信息工程学院首都师范大学 轻型 工业 机器人 与 安全 验证 北京市 重点 实验室 首都师范大学 成像技术北京市 高精尖创新中心
出处
《计算机工程与应用》
CSCD
北大核心
2020年第10期141-148,共8页
基金
国家自然科学基金(No.61702348,No.61772351,No.61602326) 国家重点研发计划(No.2017YFB1303000,No.2017YFB1302800) +1 种基金 北京市科委项目(No.LJ201607) 科技创新服务能力建设-基本科研业务费(科研类)项目(No.025185305000)。
文摘
卷积神经网络在基于视觉的机器人抓取检测任务上取得了较好的检测效果,但是大多数方法都有太多的计算参数,不适合资源有限的系统。针对这个问题,基于SqueezeNet轻量级神经网络,结合DenseNet多旁路连接加强特征复用的思想,提出了轻量级抓取检测回归模型SqueezeNet-RM(SqueezeNet Regression Model),并使用SqueezeNet-RM从RGB-D图像中提取多模态特征,预测二指机器人夹持器的最佳抓取位姿。在标准的康奈尔抓取数据集上,提出的轻量级抓取检测网络与经典的抓取检测方法相比,在保证检测准确率不降低的情况下,模型占用更少的存储空间,表现出更快的检测速度和更高的泛化性能,所提出的模型占用的存储空间比AlexNet模型减少86.97%,平均检测速度快3倍,适用于FPGA(Field Programmable Gate Array)或者资源受限的移动机器人抓取检测系统。
关键词
深度学习 DenseNet SqueezeNet 机器人抓取检测 轻量级卷积神经网络
Keywords
deep learning DenseNet SqueezeNet robotic grasp detection lightweight convolutional neural network
分类号
TP242.6
[自动化与计算机技术—检测技术与自动化装置]
题名 基于无监督深度学习的多模态手术轨迹快速分割方法
被引量：3
8
作者
谢劼欣 赵红发 邵振洲 施智平 关永
机构
首都师范大学 信息工程学院成像技术北京市 高精尖创新中心 首都师范大学 轻型 工业 机器人 与 安全 验证 北京市 重点 实验室
出处
《机器人》
EI
CSCD
北大核心
2019年第3期317-326,333,共11页
基金
国家自然科学基金(61702348,61772351,61602326,61602324) 国家重点研发计划(2017YFB1303000,2017YFB1302800)
文摘
传统的手术机器人轨迹分割方法存在耗时长、分割准确度差且容易产生过度分割等问题.为解决上述问题,本文提出了一种基于特征提取网络DCED-Net(密集连接的卷积编码-解码网络)的多模态手术轨迹分割方法.DCED-Net采用无监督方法,不必进行十分耗时的人工标注,使用密集连接结构,使图像信息能更有效地在卷积层间传递,从而提高了特征提取质量.将特征提取后的视频数据和运动学数据投入转移状态聚类(TSC)模型得到预分割结果.为进一步提高分割精度,提出了一种基于轨迹段间相似性的合并后处理算法,通过衡量轨迹段间的4个相似性指标,包括主成分分析、互信息、数据中心距离和动态时间规整,将相似度高的分割段进行迭代合并,从而降低过度分割造成的影响.公开数据集JIGSAWS上的大量实验证明,与经典的轨迹分割聚类方法相比,本文方法的分割准确率最高提升了48.4%,分割速度加快了6倍以上.
关键词
机器人辅助微创手术 多模态轨迹分割 无监督深度学习 合并后处理
Keywords
robot-assisted minimally invasive surgery multi-modality trajectory segmentation unsupervised deep learning post-merger processing
分类号
TP391
[自动化与计算机技术—计算机应用技术]
