从事件相机本身出发, 介绍事件相机的工作原理、现有的定位与建图算法以及事件相机相关的开源数据集. 其中, 着重对现有的、基于事件相机的定位与建图算法进行详细的介绍和优缺点分析.

以实现移动小型智能化系统的实时自主定位为目标, 针对激光里程计误差累计大, 旋转估计不稳定, 以及观测信息利用不充分等问题, 提出一种LiDAR/IMU紧耦合的实时定位方法 — Inertial-LOAM. 

对近年来基于深度学习的表面缺陷检测方法进行了梳理, 根据数据标签的不同将其分为全监督学习模型方法、无监督学习模型方法和其他方法三大类, 并对各种典型方法进一步细分归类和对比分析, 总结了每种方法的优缺点和应用场景. 探讨了表面缺陷检测中三个关键问题, 介绍了工业表面缺陷常用数据集. 最后, 对表面缺陷检测的未来发展趋势进行了展望.

分析了控制理论与应用、模式识别与智能系统、导航制导与控制、系统科学与工程、人工智能与自动化交叉等领域的发展现状. 结合科技发展、国内国际研究前沿和新兴领域对自动化科学技术的需求, 提出重点发展智能控制理论和方法、高性能作业机器人、信息物理系统、导航与控制技术、重大装备自动化技术、自主智能系统和人工智能驱动的自动化技术优先领域, 加强数据驱动控制理论、人工智能基础理论研究, 进一步发展人机协同、跨域融合的智能自动化, 为实现国家社会的全面信息化智能化提供理论和技术保障.

面向数字化、智能化的新一代网络发展目标, 首次系统化提出了“数字孪生网络(DTN: Digital twin network)” 的概念, 给出了系统架构设计, 分析了DTN的关键技术. 通过对DTN发展挑战的分析, 指出了未来 “数字孪生网络” 的发展方向.

对遥感图像目标检测算法发展进行了梳理和分析. 首先阐述了遥感图像目标检测的特点和挑战; 之后系统总结了典型的检测方法, 包括早期的基于手工设计特征的算法和现阶段基于深度学习的方法, 对于深度学习方法首先介绍了典型的目标检测模型, 进而针对遥感图像本身的难点详细梳理了优化改进方案; 接着介绍了常用的检测数据集, 并对现有方法的性能进行比较; 最后对现阶段问题进行总结并对未来发展趋势进行展望.

系统地综述了解耦表征学习的研究进展, 对当前解耦表征学习中的关键技术及典型方法进行了分类阐述, 分析并汇总了现有各类算法的适用场景并对此进行了可视化实验性能展示, 最后指明了解耦表征学习今后的发展趋势以及未来值得研究的方向.

针对回声状态网络无法根据不同的时间序列有效地选择储备池参数的问题, 提出一种新型预测模型, 利用改进的差分进化算法来优化回声状态网络. 其中差分进化算法的缩放因子F、交叉概率CR和变异策略自适应调整, 以提高算法的寻优性能. 由实验结果可知, 本文提出的模型可以提高时间序列的预测精度, 且具有良好的泛化能力及实际应用价值.

针对含光伏(PV)、全钒液流电池(VRB)储能装置与多类型柔性负荷的工业园区主动配电系统, 研究在考虑源荷随机性情况下该系统的动态经济调度问题. 

提出了一种混合并行随机配置网络(HPSCNs)架构, 即: 模型与数据混合并行的增量学习方法. 所提方法由不同构建方式的左右两个SCNs模型组成, 以快速准确地确定最佳隐含层节点, 其中左侧采用点增量网络(PSCN), 右侧采用块增量网络(BSCN); 同时每个模型建立样本数据的动态分块方法, 从而加快候选“节点池”的建立、降低计算量. 所提方法首先通过大规模基准数据集进行了对比实验, 然后应用在一个实际工业案例上, 表明其有效性.

对核自适应滤波器的最新进展及未来研究方向进行了分析和总结. 基于核自适应滤波器的时间序列在线预测方法, 能较好地解决预测、跟踪问题. 首先概述了三类核自适应滤波器的基本模型, 包括核最小均方算法、核递归最小二乘算法和核仿射投影算法(KAPA). 在此基础上, 从核自适应滤波器在线预测的内容和机理入手, 综述基于核自适应滤波器的时间序列在线预测方法. 最后, 本文将介绍这一领域潜在的研究方向和发展趋势, 并展望未来的挑战.

为提高准被动双足机器人斜坡步行稳定性, 提出了一种基于深度强化学习的准被动双足机器人步态控制方法. 通过分析准被动双足机器人的混合动力学模型与稳定行走过程, 建立了状态空间、动作空间、episode过程与奖励函数. 在利用基于DDPG改进的Ape-X DPG算法持续学习后, 准被动双足机器人能在较大斜坡范围内实现稳定行走. 仿真实验表明, Ape-X DPG无论是学习能力还是收敛速度均优于基于PER的DDPG. 同时, 相较于能量成型控制, 使用Ape-X DPG的准被动双足机器人步态收敛更迅速、步态收敛域更大, 证明Ape-X DPG可有效提高准被动双足机器人的步行稳定性.

对近年来的小样本图像分类算法进行了详细综述, 根据不同的建模方式, 将现有算法分为卷积神经网络模型和图神经网络模型两大类. 此外, 汇总了现有文献中出现的数据集并通过实验结果对现有算法的性能进行了比较. 最后, 讨论了小样本图像分类技术的难点及未来研究趋势.

提出了一种基于强化学习技术的浓密机在线控制算法. 该算法在传统启发式动态规划 (HDP)算法的基础上, 设计融合了评价网络与模型网络的双网结构, 并提出了基于短期经验回放的方法用于增强评价网络的训练准确性, 实现了对浓密机底流浓度的稳定控制, 并保持控制输入稳定在设定范围之内. 最后, 通过浓密机仿真实验的方式验证了算法的有效性.

研究了分布式控制策略下直流微电网的负荷分配和电压平衡问题. 给出一种新的基于分布式策略的下垂控制器设计方法, 能够在统一的框架下实现直流微电网负载共享和电压平衡. 

首先介绍了异常的定义以及常见的异常类型. 然后, 根据在模型构建过程中有无神经网络的参与, 将图像异常检测方法分为基于传统方法和基于深度学习两大类型, 并分别对相应的检测方法的设计思路、优点和局限性进行了综述与分析. 其次, 梳理了图像异常检测任务中面临的主要挑战. 最后, 对该领域未来可能的研究方向进行了展望.

系统梳理了知识与数据协同驱动可能存在的不同方法路径, 从知识与数据的架构级协同、算法级协同两个层面对典型方法进行了分类, 同时将算法级协同方法进一步划分为算法的层次化协同和组件化协同, 前者包含神经网络树、遗传模糊树、分层强化学习等层次化方法; 后者进一步总结为知识增强的数据驱动、数据调优的知识驱动、知识与数据的互补结合等方法. 最后, 从理论发展与实际应用的需求出发, 指出了知识与数据协同驱动的群体智能决策中未来几个重要的研究方向.

由于传统车辆跟驰建模预测方法无法遍历车辆所有可能的系统输入与运行状态的不确定性, 因而不足以从理论上保证对周边车辆安全跟驰行为预测的完整性与可信性. 为此提出车辆安全跟驰模式预测的形式化建模方法. 该方法利用随机可达集的遍历表现特征实现对周边车辆行为预测的不确定性表述, 并通过马尔科夫链逼近可达集的方式表达系统行为状态变化的随机性, 从而完成对周边车辆跟驰行为状态变化的精确概率预估. 

提出一种基于多模态特征子集选择性集成(SEN)建模的MLPF方法. 首先, 对多模态机械信号进行时频域变换得到高维频谱数据; 接着, 采用相关系数法和互信息法对多模态频谱进行线性和非线性特征子集的自适应选择; 最后, 采用优化和加权算法对上述特征子集的候选子模型进行自适应地选择与合并, 得到基于SEN机制的MLPF模型. 采用磨矿过程实验球磨机的机械信号仿真验证了所提方法的有效性.