（1）An Efficient Semantic Segmentation Network Based on Neural Architecture Search
針對移動(dòng)機(jī)器人導(dǎo)航系統(tǒng)對復(fù)雜場景理解的高性能需求，提出了一種魯棒快速語義分割網(wǎng)絡(luò)，在公開的室外環(huán)境數(shù)據(jù)集上進(jìn)行了對比評(píng)估實(shí)驗(yàn)，方法具有良好的魯棒性，不僅有效提升目標(biāo)物體的語義分割精度，而且取得良好的實(shí)時(shí)性。研究成果對提升移動(dòng)機(jī)器人系統(tǒng)對復(fù)雜室外環(huán)境的理解能力具有實(shí)際應(yīng)用價(jià)值，研究成果“An Efficient Semantic Segmentation Network Based on Neural Architecture Search”2022年發(fā)表在EAAI期 刊上（中科院一區(qū)，IF=7.802）。
（2）Learning Invariant Semantic Representation for Long-term Robust Visual Localization
針對移動(dòng)機(jī)器人長期導(dǎo)航面臨復(fù)雜環(huán)境中變化因素的挑戰(zhàn)問題，提出學(xué)習(xí)型不變語義描述符并將其應(yīng)用于語義定位，并在多個(gè)公開的數(shù)據(jù)集上對方法的性能進(jìn)行了驗(yàn)證，數(shù)據(jù)集包括不同的天氣、植被情況、區(qū)域和光照條件，實(shí)驗(yàn)證明了方法在復(fù)雜環(huán)境中視覺定位性能優(yōu)于目前代表性的SoTA方法，這一研究進(jìn)展對增強(qiáng)機(jī)器人對變化環(huán)境的自適應(yīng)能力具有良好的實(shí)用價(jià)值，研究成果“Learning Invariant Semantic Representation for Long-term Robust Visual Localization”2022年發(fā)表在EAAI期刊上（中科院一區(qū)，IF=7.802）。
（3）FW-GAN: Underwater Image Enhancement using Generative Adversarial Network with Multi-Scale Fusion
針對水下機(jī)器人導(dǎo)航時(shí)面臨的圖像顏色失真、對比度低和可見度低等問題為生成器額外提供對應(yīng)緩解以上問題的先驗(yàn)特征，基于對抗生成網(wǎng)絡(luò)提出了水下圖像融合增強(qiáng)網(wǎng)絡(luò)模型，提出使用多尺度融合連接，通過注意力特征聚合使模型可以融合先驗(yàn)方法的優(yōu)勢進(jìn)而預(yù)測出高質(zhì)量的增強(qiáng)結(jié)果。在 Linux 環(huán)境下使用Pytorch實(shí)現(xiàn)了該方法并在公開數(shù)據(jù)集上驗(yàn)證了方法的優(yōu)越性，性能領(lǐng)先于近三年發(fā)表在頂會(huì)頂刊的同類型工作。研究成果2022年8月發(fā)表在Signal Processing: Image Communication國際知名學(xué)術(shù)期刊上（中科院二區(qū)，IF=3.453）。
（4）Cross-scene Loop-closure Detection with Continual Learning for Visual SLAM
在解決大范圍環(huán)境中機(jī)器人導(dǎo)航學(xué)習(xí)的災(zāi)難性遺忘問題方面，對SLAM特征學(xué)習(xí)的卷積層運(yùn)算過程進(jìn)行了優(yōu)化設(shè)計(jì)，提出一種具有跨場景連續(xù)學(xué)習(xí)能力的魯棒性回環(huán)檢測方法，以有效增強(qiáng)SLAM的魯棒性。該方法克服了視覺SLAM學(xué)習(xí)型回環(huán)檢測方法的災(zāi)難性遺忘問題，使其具有了終生連續(xù)學(xué)習(xí)能力，同時(shí)還提出了一套可以評(píng)估視覺SLAM回環(huán)檢測連續(xù)性學(xué)習(xí)能力的方法。與現(xiàn)有的SLAM方法相比，本方法使得SLAM擁有了明顯的連續(xù)學(xué)習(xí)能力，對變化環(huán)境（包括：光照變化、場景內(nèi)容變化等）具有更強(qiáng)的適應(yīng)能力，該方法為服務(wù)機(jī)器人在更廣的應(yīng)用領(lǐng)域長時(shí)間大范圍區(qū)域進(jìn)行SLAM提供了有價(jià)值的應(yīng)用依據(jù)。研究成果2021年發(fā)表在Journal of Advanced Robotic Systems期刊上（中科院四區(qū)，IF=1.714）。
1138
2
0
2022-09-13 22:11:10
2022-09-21
