2026, 52(9): 1821-1845.
doi: 10.16383/j.aas.c250263
cstr: 32138.14.j.aas.c250263
摘要:
在集群机器人系统中, 通信、控制与计算模块的协同设计已成为提升系统整体性能的关键, 对推动离散制造自动化向智能化、集成化方向发展具有重要促进作用. 首先, 从集群机器人“通−控−算”联合系统架构出发, 通过梳理国内外在“通−控”、“通−算”、“控−算”融合技术方面的研究现状, 揭示子系统之间的耦合关系, 强调“通−控−算”联合设计对提升集群机器人整体作业性能的重要性. 接着, 以集群机器人系统在“通−控−算”软件仿真、硬件在环仿真及实物测试验证平台为例, 总结具体实施中的关键技术. 最后, 对集群机器人“通−控−算”系统联合设计的未来研究方向进行总结与展望.
在集群机器人系统中, 通信、控制与计算模块的协同设计已成为提升系统整体性能的关键, 对推动离散制造自动化向智能化、集成化方向发展具有重要促进作用. 首先, 从集群机器人“通−控−算”联合系统架构出发, 通过梳理国内外在“通−控”、“通−算”、“控−算”融合技术方面的研究现状, 揭示子系统之间的耦合关系, 强调“通−控−算”联合设计对提升集群机器人整体作业性能的重要性. 接着, 以集群机器人系统在“通−控−算”软件仿真、硬件在环仿真及实物测试验证平台为例, 总结具体实施中的关键技术. 最后, 对集群机器人“通−控−算”系统联合设计的未来研究方向进行总结与展望.
2026, 52(9): 1846-1867.
doi: 10.16383/j.aas.c250449
cstr: 32138.14.j.aas.c250449
摘要:
随着全球航班规模与运行密度提升, 传统人工监控方法在应对复杂动态飞行环境方面逐渐显现出局限性. 近年来, 数据驱动的智能监控方法成为提升飞行安全与运行效率的研究热点. 本文对基于时序大数据的飞行安全状态评估方法进行综述, 从飞行数据的时序特性出发, 梳理三类面向不同时间维度的关键评估方法: 异常检测、征兆挖掘以及趋势跟踪与预测, 涵盖飞行异常状态的识别与潜在风险事件的早期预警与预测. 首先, 对上述三类评估方法进行系统定义, 可覆盖“过去−现在−未来”的安全保障. 其次, 介绍各类方法的代表性研究进展与存在问题; 以高风险进近阶段为典型场景, 分析评估方法的应用现状与协同机制, 并回顾其技术支撑, 包括数据通信和软件平台. 最后, 总结当前挑战和未来方向, 包括异常检测的可解释性、征兆事件的动态表征与定位、趋势预测与因果推理的融合, 以及大模型应用潜力等.
随着全球航班规模与运行密度提升, 传统人工监控方法在应对复杂动态飞行环境方面逐渐显现出局限性. 近年来, 数据驱动的智能监控方法成为提升飞行安全与运行效率的研究热点. 本文对基于时序大数据的飞行安全状态评估方法进行综述, 从飞行数据的时序特性出发, 梳理三类面向不同时间维度的关键评估方法: 异常检测、征兆挖掘以及趋势跟踪与预测, 涵盖飞行异常状态的识别与潜在风险事件的早期预警与预测. 首先, 对上述三类评估方法进行系统定义, 可覆盖“过去−现在−未来”的安全保障. 其次, 介绍各类方法的代表性研究进展与存在问题; 以高风险进近阶段为典型场景, 分析评估方法的应用现状与协同机制, 并回顾其技术支撑, 包括数据通信和软件平台. 最后, 总结当前挑战和未来方向, 包括异常检测的可解释性、征兆事件的动态表征与定位、趋势预测与因果推理的融合, 以及大模型应用潜力等.
2026, 52(9): 1868-1902.
doi: 10.16383/j.aas.c250173
cstr: 32138.14.j.aas.c250173
摘要:
鸟瞰视图(BEV)表征基于统一的空间坐标系, 能够实现多传感器时空对齐与特征融合, 在自动驾驶领域三维目标检测任务中展现出显著优势. 首先, 阐述BEV表征的优势以及常用自动驾驶3D目标检测数据集与评价指标. 其次, 不同于现有综述文献的输入模态特性或模态特征融合的分析视角, 基于BEV表征, 从其稠密程度切入, 分别从稀疏表示、稠密表示、稀疏−稠密混合表示角度系统梳理现有研究工作, 指出现有方法在时空消耗与表征完备性之间的权衡困境. 最后, 从全天候鲁棒感知、相机参数无关的自适应几何建模、自动驾驶开放世界检测等角度, 指出实现低成本、高精度自动驾驶BEV目标检测的研究趋势, 为从事BEV感知研究的学者提供启发, 推动自动驾驶技术的发展.
鸟瞰视图(BEV)表征基于统一的空间坐标系, 能够实现多传感器时空对齐与特征融合, 在自动驾驶领域三维目标检测任务中展现出显著优势. 首先, 阐述BEV表征的优势以及常用自动驾驶3D目标检测数据集与评价指标. 其次, 不同于现有综述文献的输入模态特性或模态特征融合的分析视角, 基于BEV表征, 从其稠密程度切入, 分别从稀疏表示、稠密表示、稀疏−稠密混合表示角度系统梳理现有研究工作, 指出现有方法在时空消耗与表征完备性之间的权衡困境. 最后, 从全天候鲁棒感知、相机参数无关的自适应几何建模、自动驾驶开放世界检测等角度, 指出实现低成本、高精度自动驾驶BEV目标检测的研究趋势, 为从事BEV感知研究的学者提供启发, 推动自动驾驶技术的发展.
2026, 52(9): 1903-1919.
doi: 10.16383/j.aas.c250403
cstr: 32138.14.j.aas.c250403
摘要:
随着人工智能、大数据分析等新一代信息技术的快速发展, 气象领域正加速向智能化转型. 气象科学的创新需求推动自动化技术不断革新, 自动化技术的深度应用也为气象服务智能化转型提供了重要支撑. 本文总结近几年应用于气象领域中的自动化新技术, 并从气象感知、气象预报和决策服务三个方面进行介绍. 在气象感知方面, 总结智能组网观测、分布式协同感知与无人集群技术的应用, 分析控制理论、系统建模等技术对提升高时空分辨率观测能力的作用. 在气象预报方面, 梳理深度学习、强化学习等方法在短临预报和模式优化中的应用, 以及流程自动化与系统工程在提升预报效率中的价值. 在决策服务方面, 探讨知识图谱、智能推理及自主决策等技术在灾害预警和应急响应中的应用. 目前, 无人集群气象观测、AI大模型预报与智能决策正推动气象科学与自动化深度融合, 为构建高效智能的气象服务体系提供关键技术支撑.
随着人工智能、大数据分析等新一代信息技术的快速发展, 气象领域正加速向智能化转型. 气象科学的创新需求推动自动化技术不断革新, 自动化技术的深度应用也为气象服务智能化转型提供了重要支撑. 本文总结近几年应用于气象领域中的自动化新技术, 并从气象感知、气象预报和决策服务三个方面进行介绍. 在气象感知方面, 总结智能组网观测、分布式协同感知与无人集群技术的应用, 分析控制理论、系统建模等技术对提升高时空分辨率观测能力的作用. 在气象预报方面, 梳理深度学习、强化学习等方法在短临预报和模式优化中的应用, 以及流程自动化与系统工程在提升预报效率中的价值. 在决策服务方面, 探讨知识图谱、智能推理及自主决策等技术在灾害预警和应急响应中的应用. 目前, 无人集群气象观测、AI大模型预报与智能决策正推动气象科学与自动化深度融合, 为构建高效智能的气象服务体系提供关键技术支撑.
2026, 52(9): 1920-1963.
doi: 10.16383/j.aas.c250341
cstr: 32138.14.j.aas.c250341
摘要:
在人类信息获取过程中, 视听感知扮演着重要角色, 大脑通过整合视听信息, 形成统一、连贯且稳定的知觉体验. 视听多模态学习旨在模拟人类的视听多感官整合能力, 近年来受到研究者的广泛关注. 然而, 该领域在应用场景、任务目标和技术方法上呈现出显著的多样性, 目前尚缺乏对视听多模态学习领域系统性回顾和分析的中文综述. 基于人类的多感官整合机制在视听认知中的重要性以及不同视听多模态学习任务间的内在关联性, 提出一个统一框架, 将现有研究归纳为三类: 视听增强通过引入音频或视觉信息实现对初始单模态任务的增强效应; 跨模态交互旨在探索视听信息间的相互转换; 视听协作致力于探索视听信息的综合理解方法及其协同效应. 在此基础上, 对该领域中的最新研究进展进行系统性综述和总结. 此外, 深入剖析当前视听多模态学习研究所面临的五大核心共性问题和挑战——视听表征、对齐、转换、融合和共同学习; 探讨大模型背景下视听多模态学习的发展现状.
在人类信息获取过程中, 视听感知扮演着重要角色, 大脑通过整合视听信息, 形成统一、连贯且稳定的知觉体验. 视听多模态学习旨在模拟人类的视听多感官整合能力, 近年来受到研究者的广泛关注. 然而, 该领域在应用场景、任务目标和技术方法上呈现出显著的多样性, 目前尚缺乏对视听多模态学习领域系统性回顾和分析的中文综述. 基于人类的多感官整合机制在视听认知中的重要性以及不同视听多模态学习任务间的内在关联性, 提出一个统一框架, 将现有研究归纳为三类: 视听增强通过引入音频或视觉信息实现对初始单模态任务的增强效应; 跨模态交互旨在探索视听信息间的相互转换; 视听协作致力于探索视听信息的综合理解方法及其协同效应. 在此基础上, 对该领域中的最新研究进展进行系统性综述和总结. 此外, 深入剖析当前视听多模态学习研究所面临的五大核心共性问题和挑战——视听表征、对齐、转换、融合和共同学习; 探讨大模型背景下视听多模态学习的发展现状.
2026, 52(9): 1964-1978.
doi: 10.16383/j.aas.c250408
cstr: 32138.14.j.aas.c250408
摘要:
针对机械臂在狭窄空间中路径规划效率与成功率低、碰撞检测耗时占比高的问题, 提出一种基于高维构型空间快速碰撞检测的狭窄空间在线路径规划算法. 该算法以RRT-Connect为基线路径搜索框架, 并行运行基于高维构型在线聚类的快速碰撞检测模块. 其中, 后者包括高维构型数据集均衡采样与快速碰撞检测模型在线训练两个阶段. 具体而言, 数据集在线构建阶段通过引入启发式策略以充分挖掘狭窄通道内的自由构型, 克服仅通过均匀采样获取的数据集中碰撞构型、自由构型数量不均衡的问题, 为后续快速碰撞检测模型训练提供可靠的数据支撑; 数据集构建完成后, 通过对碰撞、自由构型在线聚类, 以簇的形式表征高维构型空间下两类构型的分布; 基于训练得到的簇模型, 将基线算法中基于包围盒的碰撞检测转化为采样构型与聚类簇间的距离计算, 极大降低单次碰撞检测耗时, 进而有效提升算法整体搜索效率. 通过在简单、开放、封闭三类狭窄环境下的仿真测试与实验验证, 表明所提算法在路径搜索效率和成功率方面具有显著优势.
针对机械臂在狭窄空间中路径规划效率与成功率低、碰撞检测耗时占比高的问题, 提出一种基于高维构型空间快速碰撞检测的狭窄空间在线路径规划算法. 该算法以RRT-Connect为基线路径搜索框架, 并行运行基于高维构型在线聚类的快速碰撞检测模块. 其中, 后者包括高维构型数据集均衡采样与快速碰撞检测模型在线训练两个阶段. 具体而言, 数据集在线构建阶段通过引入启发式策略以充分挖掘狭窄通道内的自由构型, 克服仅通过均匀采样获取的数据集中碰撞构型、自由构型数量不均衡的问题, 为后续快速碰撞检测模型训练提供可靠的数据支撑; 数据集构建完成后, 通过对碰撞、自由构型在线聚类, 以簇的形式表征高维构型空间下两类构型的分布; 基于训练得到的簇模型, 将基线算法中基于包围盒的碰撞检测转化为采样构型与聚类簇间的距离计算, 极大降低单次碰撞检测耗时, 进而有效提升算法整体搜索效率. 通过在简单、开放、封闭三类狭窄环境下的仿真测试与实验验证, 表明所提算法在路径搜索效率和成功率方面具有显著优势.
2026, 52(9): 1979-1991.
doi: 10.16383/j.aas.c250595
cstr: 32138.14.j.aas.c250595
摘要:
针对四轮独立转向与驱动(4WISD)移动机器人在复杂地形中依赖理想约束与参数整定、易受轮地非理想效应影响而泛化受限的问题, 构建一种无需显式模型计算的端到端深度强化学习底层控制策略. 该方法基于近端策略优化算法, 结合课程学习与域随机化构建多地形、多扰动训练过程, 并通过结构化状态–动作定义与物理启发奖励塑形, 使策略由本体观测直接生成四轮转向角与轮速命令, 实现多轮协同与侧滑抑制. 基于Isaac Sim高保真仿真平台, 在起伏粗糙地形和低摩擦平面两类工况下与PID-LS、MPC-LS级联基线进行对比. 结果表明, 该策略在工况变化下性能波动较小, 在粗糙地形中线速度跟踪更接近任务目标, 且在线计算开销较低, 单步耗时0.304 ms. 室外平整水泥地面实机验证表明, 该策略可基于ROS-PLC控制链路稳定在线运行, 三轴速度RMSE分别为0.169 m/s、0.213 m/s和0.116 rad/s; 单步策略推理耗时0.62 ms, 传感器同步与状态构建平均耗时56.15 ms. 结果验证了端到端数据驱动底层控制在4WISD平台无精确建模条件下的可行性, 为高自由度轮式移动平台复杂环境运动控制提供了创新路径.
针对四轮独立转向与驱动(4WISD)移动机器人在复杂地形中依赖理想约束与参数整定、易受轮地非理想效应影响而泛化受限的问题, 构建一种无需显式模型计算的端到端深度强化学习底层控制策略. 该方法基于近端策略优化算法, 结合课程学习与域随机化构建多地形、多扰动训练过程, 并通过结构化状态–动作定义与物理启发奖励塑形, 使策略由本体观测直接生成四轮转向角与轮速命令, 实现多轮协同与侧滑抑制. 基于Isaac Sim高保真仿真平台, 在起伏粗糙地形和低摩擦平面两类工况下与PID-LS、MPC-LS级联基线进行对比. 结果表明, 该策略在工况变化下性能波动较小, 在粗糙地形中线速度跟踪更接近任务目标, 且在线计算开销较低, 单步耗时0.304 ms. 室外平整水泥地面实机验证表明, 该策略可基于ROS-PLC控制链路稳定在线运行, 三轴速度RMSE分别为0.169 m/s、0.213 m/s和0.116 rad/s; 单步策略推理耗时0.62 ms, 传感器同步与状态构建平均耗时56.15 ms. 结果验证了端到端数据驱动底层控制在4WISD平台无精确建模条件下的可行性, 为高自由度轮式移动平台复杂环境运动控制提供了创新路径.
2026, 52(9): 1992-2004.
doi: 10.16383/j.aas.c250667
cstr: 32138.14.j.aas.c250667
摘要:
复杂运动的稳定性与社会环境的适应性是人形机器人实现自然交互与任务执行的核心能力, 而高质量、高协调的仿人运动是保障其高效稳定运行的基础. 腰部自由度作为上下肢协调控制的关键枢纽, 对整体动态稳定性与动作流畅性具有显著影响. 然而, 现有研究在腰部自由度建模与控制方面关注不足, 导致机器人在仿人行走中易出现姿态畸变甚至运动失稳. 为此, 提出一种融合腰部虚拟关节的人形机器人仿人全身运动控制框架. 该框架首先利用动作捕捉系统采集人体多维关节点数据, 并通过关节空间映射实现运动风格的高保真迁移. 随后, 针对人体腰部与机器人结构间的自由度差异, 构建融合俯仰与滚转虚拟关节的上下肢动力学模型, 提出多关节主动补偿机制以实现对虚拟腰部自由度的协同补偿. 进一步地, 将虚拟关节引入特权观测空间, 构建对抗式动作先验风格奖励与任务奖励的可变融合策略, 从而实现全身协调的仿人运动控制. 实验基于Isaac Gym训练平台与MuJoCo仿真环境, 在多种行走速率 (0.2 ~ 1.6 m/s) 下开展测试, 结果表明所提方法能显著提升人形机器人的仿人运动自然度与泛化能力.
复杂运动的稳定性与社会环境的适应性是人形机器人实现自然交互与任务执行的核心能力, 而高质量、高协调的仿人运动是保障其高效稳定运行的基础. 腰部自由度作为上下肢协调控制的关键枢纽, 对整体动态稳定性与动作流畅性具有显著影响. 然而, 现有研究在腰部自由度建模与控制方面关注不足, 导致机器人在仿人行走中易出现姿态畸变甚至运动失稳. 为此, 提出一种融合腰部虚拟关节的人形机器人仿人全身运动控制框架. 该框架首先利用动作捕捉系统采集人体多维关节点数据, 并通过关节空间映射实现运动风格的高保真迁移. 随后, 针对人体腰部与机器人结构间的自由度差异, 构建融合俯仰与滚转虚拟关节的上下肢动力学模型, 提出多关节主动补偿机制以实现对虚拟腰部自由度的协同补偿. 进一步地, 将虚拟关节引入特权观测空间, 构建对抗式动作先验风格奖励与任务奖励的可变融合策略, 从而实现全身协调的仿人运动控制. 实验基于Isaac Gym训练平台与MuJoCo仿真环境, 在多种行走速率 (0.2 ~ 1.6 m/s) 下开展测试, 结果表明所提方法能显著提升人形机器人的仿人运动自然度与泛化能力.
2026, 52(9): 2005-2018.
doi: 10.16383/j.aas.c250599
cstr: 32138.14.j.aas.c250599
摘要:
具有治疗师般个性化、柔顺且安全交互的康复机器人可有效防止二次伤害并提升康复效率. 本文提出一种基于双臂机器人的新型上肢康复框架, 用于实现机器人治疗师般的交互. 首先, 以安全性为首要目标, 建立七自由度上肢运动学模型, 用于评估上肢末端以及前臂后端的可达训练空间; 利用双臂康复的优势, 提出一种非冗余逆运动学方法以约束关节运动角度, 进而构建任务−关节双重约束下的安全机制. 其次, 考虑个性化与柔顺交互, 设计一种基于势场的按需辅助控制策略, 使双臂机器人能够从单次演示中学习治疗师的个性化牵引特性, 并根据上肢的运动能力和训练参与度提供自适应柔顺辅助. 实验结果表明, 所提方法兼具末端牵引式康复机器人动作适应性高、接触少以及外骨骼式康复机器人精准空间训练的特点, 并能够根据上肢训练状态实施按需辅助. 随着双臂及人形机器人的应用越来越广泛, 所提方法为机器人在医院和家庭环境中实现治疗师般个性化、柔顺且安全的康复训练提供了一条新途径.
具有治疗师般个性化、柔顺且安全交互的康复机器人可有效防止二次伤害并提升康复效率. 本文提出一种基于双臂机器人的新型上肢康复框架, 用于实现机器人治疗师般的交互. 首先, 以安全性为首要目标, 建立七自由度上肢运动学模型, 用于评估上肢末端以及前臂后端的可达训练空间; 利用双臂康复的优势, 提出一种非冗余逆运动学方法以约束关节运动角度, 进而构建任务−关节双重约束下的安全机制. 其次, 考虑个性化与柔顺交互, 设计一种基于势场的按需辅助控制策略, 使双臂机器人能够从单次演示中学习治疗师的个性化牵引特性, 并根据上肢的运动能力和训练参与度提供自适应柔顺辅助. 实验结果表明, 所提方法兼具末端牵引式康复机器人动作适应性高、接触少以及外骨骼式康复机器人精准空间训练的特点, 并能够根据上肢训练状态实施按需辅助. 随着双臂及人形机器人的应用越来越广泛, 所提方法为机器人在医院和家庭环境中实现治疗师般个性化、柔顺且安全的康复训练提供了一条新途径.
2026, 52(9): 2019-2031.
doi: 10.16383/j.aas.c250367
cstr: 32138.14.j.aas.c250367
摘要:
针对城市固废焚烧(MSWI)过程炉膛温度、烟气含氧量等关键工艺参数难以精准控制的问题, 提出一种数据驱动的多变量自适应预测控制方法. 首先, 通过引入操作变量约束和设计加权障碍函数, 构造无约束形式的目标函数以降低优化求解的复杂度; 其次, 提出一种稀疏在线牛顿算法, 通过稀疏分解海森矩阵, 实现控制律的高效求解; 同时, 设计针对多变量控制的加权系数动态分配策略, 能够根据实际运行状态自适应调整炉膛温度和烟气含氧量的权重, 进一步提升控制性能; 此外, 对所提控制方法的可行性和稳定性进行分析, 以确保其在实际应用中的可靠性; 最后, 采用MSWI厂实际运行数据验证了所提控制方法的可行性和有效性.
针对城市固废焚烧(MSWI)过程炉膛温度、烟气含氧量等关键工艺参数难以精准控制的问题, 提出一种数据驱动的多变量自适应预测控制方法. 首先, 通过引入操作变量约束和设计加权障碍函数, 构造无约束形式的目标函数以降低优化求解的复杂度; 其次, 提出一种稀疏在线牛顿算法, 通过稀疏分解海森矩阵, 实现控制律的高效求解; 同时, 设计针对多变量控制的加权系数动态分配策略, 能够根据实际运行状态自适应调整炉膛温度和烟气含氧量的权重, 进一步提升控制性能; 此外, 对所提控制方法的可行性和稳定性进行分析, 以确保其在实际应用中的可靠性; 最后, 采用MSWI厂实际运行数据验证了所提控制方法的可行性和有效性.
2026, 52(9): 2032-2045.
doi: 10.16383/j.aas.c250762
cstr: 32138.14.j.aas.c250762
摘要:
针对传统图像级标注的弱监督语义分割方法仍依赖目标数据集的图像级标注, 进而难以获取精细空间监督信号的问题, 提出一种无需目标域标注的自监督对比语言−图像预训练提示引导方法. 主要解决三个问题: 一是传统弱监督缺乏像素级空间约束; 二是初始伪标签受限于分类特征的传导偏差; 三是预训练特征与分割任务存在语义失配. 对此, 提出三点解决方案: 1)设计自监督提示学习机制, 替代传统固定的文本模板, 利用跨模态注意力动态生成包含图像上下文的可学习提示向量; 2)提出基于损失响应梯度的动态裁剪策略, 利用深度神经网络的“早期记忆效应”过滤高梯度的噪声区域, 优化伪标签边界精度; 3)构建基于Transformer自注意力的类感知亲和图, 增强分割结果的空间一致性. 在PASCAL VOC 2012和MS COCO 2014数据集上的实验结果表明, 所提方法在未见目标域标注的设定下, mIoU指标优于现有的无人工标注弱监督语义分割方法, 且在边界保持与背景抑制方面具有显著优势.
针对传统图像级标注的弱监督语义分割方法仍依赖目标数据集的图像级标注, 进而难以获取精细空间监督信号的问题, 提出一种无需目标域标注的自监督对比语言−图像预训练提示引导方法. 主要解决三个问题: 一是传统弱监督缺乏像素级空间约束; 二是初始伪标签受限于分类特征的传导偏差; 三是预训练特征与分割任务存在语义失配. 对此, 提出三点解决方案: 1)设计自监督提示学习机制, 替代传统固定的文本模板, 利用跨模态注意力动态生成包含图像上下文的可学习提示向量; 2)提出基于损失响应梯度的动态裁剪策略, 利用深度神经网络的“早期记忆效应”过滤高梯度的噪声区域, 优化伪标签边界精度; 3)构建基于Transformer自注意力的类感知亲和图, 增强分割结果的空间一致性. 在PASCAL VOC 2012和MS COCO 2014数据集上的实验结果表明, 所提方法在未见目标域标注的设定下, mIoU指标优于现有的无人工标注弱监督语义分割方法, 且在边界保持与背景抑制方面具有显著优势.
2026, 52(9): 2046-2056.
doi: 10.16383/j.aas.c250596
cstr: 32138.14.j.aas.c250596
摘要:
烟气脱硫处理是聚焦污染防治、实现节能减排的重要举措, 其设备的安全、稳定运行直接影响着经济社会可持续发展与居民生命健康. 然而, 长期运行下的烟气脱硫设备往往不可避免地出现故障且难以预测, 进而导致连锁反应甚至事故. 鉴于此, 提出一种基于深度模糊推理模型(DFIM)的烟气脱硫设备运行状态预测方法. 首先, 构建数据驱动的深度模糊信念网络, 通过模糊特征学习算法将传感器获取的原始数据映射为抗干扰的模糊语义特征, 并实现模糊特征的预测输出; 其次, 建立推理门控层, 进一步对输出模糊特征进行识别, 并聚焦设备故障模式; 然后, 结合操作经验和运行环境, 针对设备运行状态和故障模式, 给出处置方案; 最后, 以实际烟气脱硫系统循环泵内浆液pH值和轴承温度为设备运行状态变量, 测试DFIM在烟气脱硫设备运行状态预测中的有效性. 实验结果表明所提出的DFIM在预测精度、稳定性与快速性等方面均优于现有方法, 对设备运维与管理具有重要的指导意义.
烟气脱硫处理是聚焦污染防治、实现节能减排的重要举措, 其设备的安全、稳定运行直接影响着经济社会可持续发展与居民生命健康. 然而, 长期运行下的烟气脱硫设备往往不可避免地出现故障且难以预测, 进而导致连锁反应甚至事故. 鉴于此, 提出一种基于深度模糊推理模型(DFIM)的烟气脱硫设备运行状态预测方法. 首先, 构建数据驱动的深度模糊信念网络, 通过模糊特征学习算法将传感器获取的原始数据映射为抗干扰的模糊语义特征, 并实现模糊特征的预测输出; 其次, 建立推理门控层, 进一步对输出模糊特征进行识别, 并聚焦设备故障模式; 然后, 结合操作经验和运行环境, 针对设备运行状态和故障模式, 给出处置方案; 最后, 以实际烟气脱硫系统循环泵内浆液pH值和轴承温度为设备运行状态变量, 测试DFIM在烟气脱硫设备运行状态预测中的有效性. 实验结果表明所提出的DFIM在预测精度、稳定性与快速性等方面均优于现有方法, 对设备运维与管理具有重要的指导意义.
2026, 52(9): 2057-2067.
doi: 10.16383/j.aas.c260016
cstr: 32138.14.j.aas.c260016
摘要:
本文研究一类同时存在软、硬输出约束的不确定非线性系统跟踪控制问题. 其中, 安全相关的输出约束被建模为不可违背的硬约束, 而期望的跟踪性能则通过可调节的软约束加以刻画. 针对软、硬约束可能发生冲突的情形, 引入一种光滑过渡函数, 并基于此构造凸组合算子对软约束边界进行直接修正, 从而保证其与硬约束的兼容性. 在此基础上, 将硬约束与修正后的软约束进行统一整合, 构造具有光滑边界的约束结构. 基于该约束结构并结合漏斗控制技术, 提出一种低复杂度鲁棒控制算法, 确保系统同时满足硬约束与修正后的软约束. 与现有基于辅助动态系统的软约束间接调整方法不同, 所提策略无需引入额外动态系统, 即可得到结构简洁、易于实现的静态控制器. 此外, 在软、硬约束冲突发生时, 该方法能够将软约束违背量严格限制在满足硬约束所需的最小违背量与预设容差之和以内, 且在有限时间内实现约束解耦, 优先确保硬约束的严格满足. 仿真结果验证了该方法的有效性.
本文研究一类同时存在软、硬输出约束的不确定非线性系统跟踪控制问题. 其中, 安全相关的输出约束被建模为不可违背的硬约束, 而期望的跟踪性能则通过可调节的软约束加以刻画. 针对软、硬约束可能发生冲突的情形, 引入一种光滑过渡函数, 并基于此构造凸组合算子对软约束边界进行直接修正, 从而保证其与硬约束的兼容性. 在此基础上, 将硬约束与修正后的软约束进行统一整合, 构造具有光滑边界的约束结构. 基于该约束结构并结合漏斗控制技术, 提出一种低复杂度鲁棒控制算法, 确保系统同时满足硬约束与修正后的软约束. 与现有基于辅助动态系统的软约束间接调整方法不同, 所提策略无需引入额外动态系统, 即可得到结构简洁、易于实现的静态控制器. 此外, 在软、硬约束冲突发生时, 该方法能够将软约束违背量严格限制在满足硬约束所需的最小违背量与预设容差之和以内, 且在有限时间内实现约束解耦, 优先确保硬约束的严格满足. 仿真结果验证了该方法的有效性.
2026, 52(9): 2068-2081.
doi: 10.16383/j.aas.c250725
cstr: 32138.14.j.aas.c250725
摘要:
深度学习软测量(DLSS)已成为解决复杂工业过程关键变量测量难题的有效方法, 但其极易遭受肉眼难以察觉的对抗攻击而输出虚假预测结果, 进而危害生产安全. 现有对抗攻击检测方法对微小扰动对抗样本(SPAS)普遍难以检出, 且对抗训练防御方法仍广泛存在对抗鲁棒过拟合现象. 针对上述问题, 提出一种对抗训练与攻击检测融合(ATADI)的对抗防御方法: 首先, 理论证明仅采用SPAS进行对抗训练更有助于缓解对抗鲁棒过拟合. 其次, 在此基础上提出一种基于SPAS的特征锚定式对抗训练(FAAT)方案, 即SPAS-FAAT. ATADI中的攻击检测器在防御过程中仅检测较大扰动对抗样本(LPAS)以规避其难以检出SPAS的不足, SPAS则被输入SPAS-FAAT后的DLSS以获得最终软测量结果. 最后, 在转子热变形软测量对抗攻防案例上进行了实验. 结构消融实验结果显示, 将对抗训练与攻击检测相融合可作为DLSS对抗防御的有效手段, 各类攻击产生的LPAS均能以不低于98.42%的准确率被检出, 且SPAS-FAAT后的DLSS在SPAS与正常样本上的软测量结果均满足精度要求. ATADI方法显著增强了DLSS的对抗鲁棒性, 为对抗防御方法的研究提供了新思路.
深度学习软测量(DLSS)已成为解决复杂工业过程关键变量测量难题的有效方法, 但其极易遭受肉眼难以察觉的对抗攻击而输出虚假预测结果, 进而危害生产安全. 现有对抗攻击检测方法对微小扰动对抗样本(SPAS)普遍难以检出, 且对抗训练防御方法仍广泛存在对抗鲁棒过拟合现象. 针对上述问题, 提出一种对抗训练与攻击检测融合(ATADI)的对抗防御方法: 首先, 理论证明仅采用SPAS进行对抗训练更有助于缓解对抗鲁棒过拟合. 其次, 在此基础上提出一种基于SPAS的特征锚定式对抗训练(FAAT)方案, 即SPAS-FAAT. ATADI中的攻击检测器在防御过程中仅检测较大扰动对抗样本(LPAS)以规避其难以检出SPAS的不足, SPAS则被输入SPAS-FAAT后的DLSS以获得最终软测量结果. 最后, 在转子热变形软测量对抗攻防案例上进行了实验. 结构消融实验结果显示, 将对抗训练与攻击检测相融合可作为DLSS对抗防御的有效手段, 各类攻击产生的LPAS均能以不低于98.42%的准确率被检出, 且SPAS-FAAT后的DLSS在SPAS与正常样本上的软测量结果均满足精度要求. ATADI方法显著增强了DLSS的对抗鲁棒性, 为对抗防御方法的研究提供了新思路.
2026, 52(9): 2082-2095.
doi: 10.16383/j.aas.c250703
cstr: 32138.14.j.aas.c250703
摘要:
在分布式网络中, 传统粒子滤波方法难以在估计精度与计算开销之间取得良好平衡. 为此, 提出一种自适应混合网格分布式粒子滤波算法. 首先, 引入一种基于信息论准则的自适应混合网格策略, 动态优化状态空间的划分方式, 使计算资源集中于后验分布的高概率区域, 从而提升表示效率. 其次, 针对分布式信息融合, 设计一种新的融合机制, 使节点能够直接融合以网格权重表示的局部后验分布, 有效避免参数化方法中常见的模型失配与信息损失问题, 并显著降低了通信开销. 此外, 为保障融合过程的鲁棒性, 采用对数域Gossip共识协议驱动融合迭代, 并从理论上证明其在概率域中的收敛性. 最后, 蒙特卡洛仿真结果表明, 相较于固定网格与高斯混合融合等基准方法, 所提算法在显著降低资源消耗的同时, 其估计精度最接近集中式性能上界, 展现出优越的估计精度与系统可扩展性.
在分布式网络中, 传统粒子滤波方法难以在估计精度与计算开销之间取得良好平衡. 为此, 提出一种自适应混合网格分布式粒子滤波算法. 首先, 引入一种基于信息论准则的自适应混合网格策略, 动态优化状态空间的划分方式, 使计算资源集中于后验分布的高概率区域, 从而提升表示效率. 其次, 针对分布式信息融合, 设计一种新的融合机制, 使节点能够直接融合以网格权重表示的局部后验分布, 有效避免参数化方法中常见的模型失配与信息损失问题, 并显著降低了通信开销. 此外, 为保障融合过程的鲁棒性, 采用对数域Gossip共识协议驱动融合迭代, 并从理论上证明其在概率域中的收敛性. 最后, 蒙特卡洛仿真结果表明, 相较于固定网格与高斯混合融合等基准方法, 所提算法在显著降低资源消耗的同时, 其估计精度最接近集中式性能上界, 展现出优越的估计精度与系统可扩展性.
2026, 52(9): 2096-2117.
doi: 10.16383/j.aas.c260078
cstr: 32138.14.j.aas.c260078
摘要:
深度学习模型为缓解数据不均衡问题提供了有效途径, 然而, 现有方法难以兼顾生成质量与计算效率, 例如生成对抗网络存在训练不稳定问题、扩散模型的计算复杂度较高. 为提高工业信号的可用性, 提出基于轻量化条件扩散模型的工业信号生成方法, 在保持扩散模型生成优势的同时显著提高训练效率, 并降低模型推理计算量. 该方法主要分为自编码器信号降维与扩散模型样本生成两个阶段. 阶段一基于自编码器建立原始信号的隐变量分布结果, 构建轻量化的低维空间, 以提高整体模型的计算效率; 阶段二通过条件扩散模型的马尔科夫链噪声推理过程, 对阶段一的输出结果进行重建, 以获取高质量的工业信号. 针对轻量化空间取值有限导致的类别混叠问题, 以聚合同类并区分异类为目标, 设计对比学习损失来提高空间中的类别区分度. 考虑到故障幅值分布特征表现为周期性衰减冲击, 提出分解损失函数来挖掘信号隐藏特征并提升生成样本质量. 在两种数据集上的实验结果表明, 该方法能够为工业系统提供可靠的数据支持.
深度学习模型为缓解数据不均衡问题提供了有效途径, 然而, 现有方法难以兼顾生成质量与计算效率, 例如生成对抗网络存在训练不稳定问题、扩散模型的计算复杂度较高. 为提高工业信号的可用性, 提出基于轻量化条件扩散模型的工业信号生成方法, 在保持扩散模型生成优势的同时显著提高训练效率, 并降低模型推理计算量. 该方法主要分为自编码器信号降维与扩散模型样本生成两个阶段. 阶段一基于自编码器建立原始信号的隐变量分布结果, 构建轻量化的低维空间, 以提高整体模型的计算效率; 阶段二通过条件扩散模型的马尔科夫链噪声推理过程, 对阶段一的输出结果进行重建, 以获取高质量的工业信号. 针对轻量化空间取值有限导致的类别混叠问题, 以聚合同类并区分异类为目标, 设计对比学习损失来提高空间中的类别区分度. 考虑到故障幅值分布特征表现为周期性衰减冲击, 提出分解损失函数来挖掘信号隐藏特征并提升生成样本质量. 在两种数据集上的实验结果表明, 该方法能够为工业系统提供可靠的数据支持.
2026, 52(9): 2118-2129.
doi: 10.16383/j.aas.c250747
cstr: 32138.14.j.aas.c250747
摘要:
多智能体系统在执行任务过程中需规避障碍、分布式交互信息, 以保证作业的安全性、可靠性, 使得其作业空间受到防碰撞及障碍躲避的安全区域和通信连通性保持的智能体间有限相对位置的约束. 为此, 研究在上述复杂空间约束下的多智能体预设时间一致性控制问题. 根据智能体与障碍物之间的安全距离, 区分多智能体系统作业过程为障碍规避模态及协同作业模态进行全作业过程描述. 在障碍规避模态, 除传统的智能体间及与障碍物碰撞安全距离约束外, 设计有通信距离约束的避障控制律, 保障在复杂空间障碍环境协同穿越情况下的作业安全性, 以及穿越障碍物后的分布式通信连通性, 防止协同避障后部分智能体断联、中断协同作业任务. 在协同作业模态, 针对传统有限时间稳定相关方法的收敛时间依赖系统初值的缺陷, 提出含时变增益的预设时间控制器设计方法, 实现在协同避障后初值不确定情况下的收敛时间预设, 提高了多智能体系统作业的可靠性. 最后, 以二阶多智能体系统为例进行数值仿真, 验证了提出方法的有效性.
多智能体系统在执行任务过程中需规避障碍、分布式交互信息, 以保证作业的安全性、可靠性, 使得其作业空间受到防碰撞及障碍躲避的安全区域和通信连通性保持的智能体间有限相对位置的约束. 为此, 研究在上述复杂空间约束下的多智能体预设时间一致性控制问题. 根据智能体与障碍物之间的安全距离, 区分多智能体系统作业过程为障碍规避模态及协同作业模态进行全作业过程描述. 在障碍规避模态, 除传统的智能体间及与障碍物碰撞安全距离约束外, 设计有通信距离约束的避障控制律, 保障在复杂空间障碍环境协同穿越情况下的作业安全性, 以及穿越障碍物后的分布式通信连通性, 防止协同避障后部分智能体断联、中断协同作业任务. 在协同作业模态, 针对传统有限时间稳定相关方法的收敛时间依赖系统初值的缺陷, 提出含时变增益的预设时间控制器设计方法, 实现在协同避障后初值不确定情况下的收敛时间预设, 提高了多智能体系统作业的可靠性. 最后, 以二阶多智能体系统为例进行数值仿真, 验证了提出方法的有效性.
2026, 52(9): 2130-2148.
doi: 10.16383/j.aas.c250457
cstr: 32138.14.j.aas.c250457
摘要:
当前数据交易面临价值评估难题, AI模型训练缺乏数据集选择标准, 其原因在于不同数据集在信息密度、质量结构与任务适配性上差异显著. 现有方法多聚焦于数据质量或模型性能的单一维度, 缺乏面向信息密度与多维价值的系统性量化框架, 限制了任务导向场景下数据集的科学选择与高效利用. 为此, 提出数据集知识效能评估框架, 其是综合衡量数据集的有效知识含量及其在特定任务中适应能力的量化方法, 包含三个维度: 1) 知识提炼: 将无损数据集蒸馏算法引入效能评估, 通过知识密度比量化数据集有效知识承载能力; 2) 知识质量分析: 构建多维质量指标体系, 深入分析和评估数据集的知识质量; 3) 知识任务适配: 创新性提出任务驱动的评估适配机制, 通过契合度分析与权重优化实现对特定任务适配性的评估. 在CIFAR-10/100、VGGFace2、ImageNet-1K和NABirds等典型数据集上的实验结果表明, 所提方法能够较为准确地评估知识密度与任务适配性, 为数据集选择与应用提供理论依据和技术支撑.
当前数据交易面临价值评估难题, AI模型训练缺乏数据集选择标准, 其原因在于不同数据集在信息密度、质量结构与任务适配性上差异显著. 现有方法多聚焦于数据质量或模型性能的单一维度, 缺乏面向信息密度与多维价值的系统性量化框架, 限制了任务导向场景下数据集的科学选择与高效利用. 为此, 提出数据集知识效能评估框架, 其是综合衡量数据集的有效知识含量及其在特定任务中适应能力的量化方法, 包含三个维度: 1) 知识提炼: 将无损数据集蒸馏算法引入效能评估, 通过知识密度比量化数据集有效知识承载能力; 2) 知识质量分析: 构建多维质量指标体系, 深入分析和评估数据集的知识质量; 3) 知识任务适配: 创新性提出任务驱动的评估适配机制, 通过契合度分析与权重优化实现对特定任务适配性的评估. 在CIFAR-10/100、VGGFace2、ImageNet-1K和NABirds等典型数据集上的实验结果表明, 所提方法能够较为准确地评估知识密度与任务适配性, 为数据集选择与应用提供理论依据和技术支撑.
本刊经同行评议拟录用的文章，目前在编校阶段，尚未确定卷期及页码，已有DOI。
显示方式:
摘要:
视觉−语言−动作(VLA)模型是实现具身智能的重要技术路径. 针对现有方法普遍依赖大规模数据与高算力平台, 难以适应边缘侧等资源受限场景的瓶颈, 提出覆盖“数据−模型−训练−部署”全周期的优化框架. 在数据层面, 剖析真实采集、仿真生成与视频迁移三类路径的协同优化机制; 在设计层面, 梳理轻量化架构、状态空间模型、分层双系统、条件计算及流匹配等高效模型技术; 在系统层面, 重点探讨输入侧剪枝、模型压缩、动态推理路径及软硬件协同优化等部署加速策略. 最后, 对资源受限VLA模型的未来研究方向与应用前景进行展望.
视觉−语言−动作(VLA)模型是实现具身智能的重要技术路径. 针对现有方法普遍依赖大规模数据与高算力平台, 难以适应边缘侧等资源受限场景的瓶颈, 提出覆盖“数据−模型−训练−部署”全周期的优化框架. 在数据层面, 剖析真实采集、仿真生成与视频迁移三类路径的协同优化机制; 在设计层面, 梳理轻量化架构、状态空间模型、分层双系统、条件计算及流匹配等高效模型技术; 在系统层面, 重点探讨输入侧剪枝、模型压缩、动态推理路径及软硬件协同优化等部署加速策略. 最后, 对资源受限VLA模型的未来研究方向与应用前景进行展望.
摘要:
针对具有随机扰动和非对称输出约束的空间机器人系统, 提出一种基于二阶滑模的保安全固定时间控制器. 首先, 结合动量守恒定理和拉格朗日方程推导出姿态受控、位置不控的空间机器人系统的动力学模型. 其次, 对包含系统随机扰动和非线性动力项在内的集总扰动上限进行估计, 并引入一种分段正切型障碍Lyapunov函数以解决空间机器人的非对称输出约束问题, 再借助加幂积分法和扰动补偿法设计了一种二阶滑模保安全固定时间控制方案. 最后, 通过Lyapunov准则证明了空间机器人误差跟踪系统的固定时间稳定性, 详细的数值仿真进一步验证了所设计控制方案在时间与空间两个维度上的可行性和安全性.
针对具有随机扰动和非对称输出约束的空间机器人系统, 提出一种基于二阶滑模的保安全固定时间控制器. 首先, 结合动量守恒定理和拉格朗日方程推导出姿态受控、位置不控的空间机器人系统的动力学模型. 其次, 对包含系统随机扰动和非线性动力项在内的集总扰动上限进行估计, 并引入一种分段正切型障碍Lyapunov函数以解决空间机器人的非对称输出约束问题, 再借助加幂积分法和扰动补偿法设计了一种二阶滑模保安全固定时间控制方案. 最后, 通过Lyapunov准则证明了空间机器人误差跟踪系统的固定时间稳定性, 详细的数值仿真进一步验证了所设计控制方案在时间与空间两个维度上的可行性和安全性.
摘要:
心理健康自动问答通过自动化或人机协同模式, 为心理困惑或情绪困扰用户提供及时可靠的信息支持与情感陪伴. 该技术弥补了传统心理健康服务在覆盖范围与响应效率上的不足, 近年成为研究热点. 然而, 现有综述主要聚焦于开放域问答或广泛的情感支持任务, 尚未有针对心理健康自动问答进行系统性梳理的综述文献. 为此, 对该领域相关研究进行全面回顾和总结. 首先, 从技术视角系统梳理心理健康自动问答的发展历史, 并分别从功能目标与心理问题类别两个维度对现有研究进行分类与评述. 其次, 聚焦文本模态, 根据技术方法将生成式心理健康自动问答任务划分为“LLMs之前”与“基于LLMs” 两大方向, 展开深入综述, 分析各类方法的原理与优劣. 在此基础上, 进一步拓展至基于LLMs的多模态相关研究, 进行初步分析与梳理. 接着, 介绍中英文心理健康问答数据集及其特点, 并对多种评估方法进行详细总结. 最后, 探讨该领域当前面临的关键挑战以及应对与优化机制, 并对未来研究方向进行展望.
心理健康自动问答通过自动化或人机协同模式, 为心理困惑或情绪困扰用户提供及时可靠的信息支持与情感陪伴. 该技术弥补了传统心理健康服务在覆盖范围与响应效率上的不足, 近年成为研究热点. 然而, 现有综述主要聚焦于开放域问答或广泛的情感支持任务, 尚未有针对心理健康自动问答进行系统性梳理的综述文献. 为此, 对该领域相关研究进行全面回顾和总结. 首先, 从技术视角系统梳理心理健康自动问答的发展历史, 并分别从功能目标与心理问题类别两个维度对现有研究进行分类与评述. 其次, 聚焦文本模态, 根据技术方法将生成式心理健康自动问答任务划分为“LLMs之前”与“基于LLMs” 两大方向, 展开深入综述, 分析各类方法的原理与优劣. 在此基础上, 进一步拓展至基于LLMs的多模态相关研究, 进行初步分析与梳理. 接着, 介绍中英文心理健康问答数据集及其特点, 并对多种评估方法进行详细总结. 最后, 探讨该领域当前面临的关键挑战以及应对与优化机制, 并对未来研究方向进行展望.
摘要:
非平稳信号的平稳分量提取是信号处理与过程监测的核心问题. 现有平稳子空间分析方法局限于时域二阶平稳性, 难以刻画频域非平稳特征. 为此, 提出频域平稳子空间分析方法(FreqSSA). 该方法以功率谱密度时不变性定义频域平稳性, 揭示时域与频域平稳性的等价及包含关系; 进而构建谱幅度、相位与结构三类频域非平稳统计矩阵, 建立时频联合非平稳统计框架, 并以最小化非对角元素平方和为目标函数实现子空间分离; 最后采用联合对角化策略, 实现正交解混矩阵的高效迭代优化. 真实高炉炼铁数据的实验结果表明, FreqSSA在平稳分量提取精度与过程监测性能上均优于现有主流方法.
非平稳信号的平稳分量提取是信号处理与过程监测的核心问题. 现有平稳子空间分析方法局限于时域二阶平稳性, 难以刻画频域非平稳特征. 为此, 提出频域平稳子空间分析方法(FreqSSA). 该方法以功率谱密度时不变性定义频域平稳性, 揭示时域与频域平稳性的等价及包含关系; 进而构建谱幅度、相位与结构三类频域非平稳统计矩阵, 建立时频联合非平稳统计框架, 并以最小化非对角元素平方和为目标函数实现子空间分离; 最后采用联合对角化策略, 实现正交解混矩阵的高效迭代优化. 真实高炉炼铁数据的实验结果表明, FreqSSA在平稳分量提取精度与过程监测性能上均优于现有主流方法.
摘要:
针对多模态大模型在抽象度示意图(如几何、电路、科学图表)理解中面临的视觉感知静态化挑战, 提出一种基于前瞻性机制的多视角视觉推理框架. 该方法旨在模拟人类“慢思考”的认知机理, 通过引入相对注意力与信息增益门控, 实现对关键视觉线索的主动搜索与去噪; 利用逻辑置信度与视觉相关性进行双维质量评估, 构建“观察–假设–验证”的动态闭环推理系统. 实验表明, 该方法在多学科的示意图推理数据集上显著优于现有主流方法, 在并未引入过多计算开销的同时, 大幅提升了复杂示意图问答的准确率与鲁棒性.
针对多模态大模型在抽象度示意图(如几何、电路、科学图表)理解中面临的视觉感知静态化挑战, 提出一种基于前瞻性机制的多视角视觉推理框架. 该方法旨在模拟人类“慢思考”的认知机理, 通过引入相对注意力与信息增益门控, 实现对关键视觉线索的主动搜索与去噪; 利用逻辑置信度与视觉相关性进行双维质量评估, 构建“观察–假设–验证”的动态闭环推理系统. 实验表明, 该方法在多学科的示意图推理数据集上显著优于现有主流方法, 在并未引入过多计算开销的同时, 大幅提升了复杂示意图问答的准确率与鲁棒性.
摘要:
在全球导航卫星系统(GNSS)可见卫星数量不足或观测几何构型退化的受限环境下, 针对GNSS/蜂窝机会信号融合定位中观测质量差异大、非线性优化易陷入不利局部极值甚至发散的问题, 提出一种基于模拟退火Levenberg-Marquardt优化的融合定位方法. 首先, 在迭代扩展卡尔曼滤波状态估计框架下, 将模拟退火机制引入Levenberg-Marquardt优化过程, 对未满足确定性接受条件的候选步采用概率接受准则, 以提高退化观测条件下的迭代收敛可靠性, 并给出算法的收敛性分析. 其次, 构建由定位精度因子与伪距残差驱动的双因子动态加权机制, 增强位置估计的鲁棒性. 进一步设计指数加权状态平滑方法, 抑制状态估计的瞬时波动, 提高定位轨迹的连续性与稳定性. 仿真与实测结果表明, 所提方法的三维和高程均方根误差分别为7.59 m和6.06 m, 与对比方法中性能最优的双dog-leg增量估计方法相比分别降低约35.40% 和45.55%.
在全球导航卫星系统(GNSS)可见卫星数量不足或观测几何构型退化的受限环境下, 针对GNSS/蜂窝机会信号融合定位中观测质量差异大、非线性优化易陷入不利局部极值甚至发散的问题, 提出一种基于模拟退火Levenberg-Marquardt优化的融合定位方法. 首先, 在迭代扩展卡尔曼滤波状态估计框架下, 将模拟退火机制引入Levenberg-Marquardt优化过程, 对未满足确定性接受条件的候选步采用概率接受准则, 以提高退化观测条件下的迭代收敛可靠性, 并给出算法的收敛性分析. 其次, 构建由定位精度因子与伪距残差驱动的双因子动态加权机制, 增强位置估计的鲁棒性. 进一步设计指数加权状态平滑方法, 抑制状态估计的瞬时波动, 提高定位轨迹的连续性与稳定性. 仿真与实测结果表明, 所提方法的三维和高程均方根误差分别为7.59 m和6.06 m, 与对比方法中性能最优的双dog-leg增量估计方法相比分别降低约35.40% 和45.55%.
摘要:
随着国际热核聚变实验堆等大型装置的推进, 托卡马克装置正迈向长脉冲和高性能运行阶段, 对等离子体控制提出更高要求. 强化学习作为一种数据驱动的序贯决策方法, 近年来在复杂系统控制中展现出重要潜力, 并逐渐应用于托卡马克等离子体控制研究. 围绕托卡马克放电全过程的控制需求, 对强化学习在可控核聚变中的应用进展进行系统综述. 首先介绍托卡马克装置原理、放电阶段及典型控制问题, 并概述强化学习的基本理论与算法体系. 随后按照托卡马克放电过程的不同阶段, 重点对强化学习在电流爬升、平顶阶段及电流下降阶段的代表性控制问题进行归纳与比较. 并进一步总结近年来基于世界模型的强化学习方法在托卡马克控制中的应用研究, 对比分析与传统基于等离子体动力学建模相比, 在提升样本效率与策略泛化能力方面的潜力. 最后从系统复杂性、部分可观测性、安全约束、仿真–现实差距以及实时部署等方面讨论强化学习在托卡马克控制中的挑战与未来发展方向. 本文旨在为强化学习方法在托卡马克中的研究与应用提供参考.
随着国际热核聚变实验堆等大型装置的推进, 托卡马克装置正迈向长脉冲和高性能运行阶段, 对等离子体控制提出更高要求. 强化学习作为一种数据驱动的序贯决策方法, 近年来在复杂系统控制中展现出重要潜力, 并逐渐应用于托卡马克等离子体控制研究. 围绕托卡马克放电全过程的控制需求, 对强化学习在可控核聚变中的应用进展进行系统综述. 首先介绍托卡马克装置原理、放电阶段及典型控制问题, 并概述强化学习的基本理论与算法体系. 随后按照托卡马克放电过程的不同阶段, 重点对强化学习在电流爬升、平顶阶段及电流下降阶段的代表性控制问题进行归纳与比较. 并进一步总结近年来基于世界模型的强化学习方法在托卡马克控制中的应用研究, 对比分析与传统基于等离子体动力学建模相比, 在提升样本效率与策略泛化能力方面的潜力. 最后从系统复杂性、部分可观测性、安全约束、仿真–现实差距以及实时部署等方面讨论强化学习在托卡马克控制中的挑战与未来发展方向. 本文旨在为强化学习方法在托卡马克中的研究与应用提供参考.
摘要:
视听目标分割任务旨在依据音频信号对视频中的发声物体进行像素级分割, 但在处理复杂动态场景时, 现有方法面临跨模态特征交互不充分与像素级样本分布失衡两大挑战. 为此, 提出结合状态空间模型与动态焦点损失的视听分割网络MambaAVS, 构建跨时间音频查询生成与跨模态音视频交互两大核心模块. 首先, 利用跨时间音频查询生成机制提取关键频域信息以增强音频表征; 随后, 通过跨模态音视频交互模块动态捕捉音视频模态间的长距离依赖与语义对应关系, 实现特征的深度对齐与交互. 此外, 针对训练过程中存在的难易样本分布不均问题, 提出动态焦点损失, 通过自适应调节难易样本权重与梯度表征, 有效缓解了模型优化偏差. 在 AVSBench-Object 与 AVSBench-Semantic 数据集上的实验结果表明, 所提 MambaAVS 在单声源、多声源及视听语义分割数据集上的mIoU比分别达到82.86%、62.56%和36.79%; 与同类先进方法 AVSegFormer 相比, MambaAVS在3个数据集上的精度分别提升0.80%、4.20%和0.13%, 验证了其在复杂视听场景下的有效性.
视听目标分割任务旨在依据音频信号对视频中的发声物体进行像素级分割, 但在处理复杂动态场景时, 现有方法面临跨模态特征交互不充分与像素级样本分布失衡两大挑战. 为此, 提出结合状态空间模型与动态焦点损失的视听分割网络MambaAVS, 构建跨时间音频查询生成与跨模态音视频交互两大核心模块. 首先, 利用跨时间音频查询生成机制提取关键频域信息以增强音频表征; 随后, 通过跨模态音视频交互模块动态捕捉音视频模态间的长距离依赖与语义对应关系, 实现特征的深度对齐与交互. 此外, 针对训练过程中存在的难易样本分布不均问题, 提出动态焦点损失, 通过自适应调节难易样本权重与梯度表征, 有效缓解了模型优化偏差. 在 AVSBench-Object 与 AVSBench-Semantic 数据集上的实验结果表明, 所提 MambaAVS 在单声源、多声源及视听语义分割数据集上的mIoU比分别达到82.86%、62.56%和36.79%; 与同类先进方法 AVSegFormer 相比, MambaAVS在3个数据集上的精度分别提升0.80%、4.20%和0.13%, 验证了其在复杂视听场景下的有效性.
摘要:
2017年, 宋永端教授团队于Automatica发表高阶非线性系统预设时间控制的原创性工作. 不同于传统控制方法, 该策略能够人为预先设定系统收敛的时间, 同时具备出色的扰动抑制性能, 成果面世后迅速成为研究热点, 国内外学者围绕该方向已开展大量深入研究. 本文从系统稳定性相关的基本概念出发, 系统辨析有限时间、固定时间、预定时间与预设时间稳定性之间的联系与区别, 进而聚焦于预设时间控制的实现途径. 以经典的比例制导、终端约束最优控制、滑模控制等为基础, 梳理其理论渊源, 重点阐述状态变换、时间尺度变换、复合反馈及周期时滞反馈等核心设计框架. 通过比较不同方法的收敛性能, 进一步分析增强或削弱反馈信号对系统性能与工程可实现性的影响. 此外, 还讨论预设时间控制中存在的数值奇异和噪声敏感等挑战, 总结多种解决方案, 并对未来在理论融合、智能控制、跨领域应用验证等方面的发展方向进行展望. 预设时间控制在航空航天、机器人、多智能体等对动态性能与时间精度要求严苛的领域中展现出重要应用潜力, 其进一步发展将推动高可靠控制系统的工程实现.
2017年, 宋永端教授团队于Automatica发表高阶非线性系统预设时间控制的原创性工作. 不同于传统控制方法, 该策略能够人为预先设定系统收敛的时间, 同时具备出色的扰动抑制性能, 成果面世后迅速成为研究热点, 国内外学者围绕该方向已开展大量深入研究. 本文从系统稳定性相关的基本概念出发, 系统辨析有限时间、固定时间、预定时间与预设时间稳定性之间的联系与区别, 进而聚焦于预设时间控制的实现途径. 以经典的比例制导、终端约束最优控制、滑模控制等为基础, 梳理其理论渊源, 重点阐述状态变换、时间尺度变换、复合反馈及周期时滞反馈等核心设计框架. 通过比较不同方法的收敛性能, 进一步分析增强或削弱反馈信号对系统性能与工程可实现性的影响. 此外, 还讨论预设时间控制中存在的数值奇异和噪声敏感等挑战, 总结多种解决方案, 并对未来在理论融合、智能控制、跨领域应用验证等方面的发展方向进行展望. 预设时间控制在航空航天、机器人、多智能体等对动态性能与时间精度要求严苛的领域中展现出重要应用潜力, 其进一步发展将推动高可靠控制系统的工程实现.
摘要:
随着人工智能技术的快速发展, 传统以单点自动化为特征的制造体系, 在应对高度动态化、个性化与系统级协同需求方面日益显现局限. 大模型与具身智能作为新一代人工智能的重要方向, 正在为制造业的智能化转型提供全新路径. 大模型具备跨模态表征、知识泛化和持续学习能力, 具身智能强调智能体与物理环境的动态交互与闭环反馈, 两者融合不仅强化了多模态感知与知识驱动决策的统一性, 还提升了虚实迁移的稳定性与群体智能的协同能力, 从而为复杂工业场景下的自主优化与系统级智能提供系统性支撑. 基于此, 系统梳理相关理论与关键技术, 结合流程制造与离散制造的典型场景, 探讨机理知识融合、多模态感知、符号−神经推理、数字孪生演化和人机共融交互等前沿方向, 为工业人工智能构建结构化框架和系统化方案提供参考, 推动制造业由局部探索迈向系统级深度融合.
随着人工智能技术的快速发展, 传统以单点自动化为特征的制造体系, 在应对高度动态化、个性化与系统级协同需求方面日益显现局限. 大模型与具身智能作为新一代人工智能的重要方向, 正在为制造业的智能化转型提供全新路径. 大模型具备跨模态表征、知识泛化和持续学习能力, 具身智能强调智能体与物理环境的动态交互与闭环反馈, 两者融合不仅强化了多模态感知与知识驱动决策的统一性, 还提升了虚实迁移的稳定性与群体智能的协同能力, 从而为复杂工业场景下的自主优化与系统级智能提供系统性支撑. 基于此, 系统梳理相关理论与关键技术, 结合流程制造与离散制造的典型场景, 探讨机理知识融合、多模态感知、符号−神经推理、数字孪生演化和人机共融交互等前沿方向, 为工业人工智能构建结构化框架和系统化方案提供参考, 推动制造业由局部探索迈向系统级深度融合.
摘要:
仿生扑翼飞行器因其高机动性、高仿生性和优异气动效率, 在军事和民用领域均展现出广阔应用前景. 测试分析是解析气动机制、验证系统设计和改进研制技术的关键手段, 然而其复杂的飞行机制和非定常气动特性对性能测试与分析优化提出严峻挑战. 为此, 系统梳理面向仿生扑翼飞行器的飞行机理和气动特性分析所采用实验测试技术的发展现状与最新成果, 重点分析风洞测试、液体环境测试和专用测试平台三类测试分析方法. 归纳说明三类测试方法的内容与特点, 并进一步阐述相关发展与贡献, 最后总结并探讨当下仿生扑翼飞行器测试分析的不足之处、面临的挑战及未来发展趋势, 为仿生扑翼飞行器的实验测试分析、测试优化改进提供系统性指导.
仿生扑翼飞行器因其高机动性、高仿生性和优异气动效率, 在军事和民用领域均展现出广阔应用前景. 测试分析是解析气动机制、验证系统设计和改进研制技术的关键手段, 然而其复杂的飞行机制和非定常气动特性对性能测试与分析优化提出严峻挑战. 为此, 系统梳理面向仿生扑翼飞行器的飞行机理和气动特性分析所采用实验测试技术的发展现状与最新成果, 重点分析风洞测试、液体环境测试和专用测试平台三类测试分析方法. 归纳说明三类测试方法的内容与特点, 并进一步阐述相关发展与贡献, 最后总结并探讨当下仿生扑翼飞行器测试分析的不足之处、面临的挑战及未来发展趋势, 为仿生扑翼飞行器的实验测试分析、测试优化改进提供系统性指导.
摘要:
跨视图定位技术正经历从通用框架向面向自动驾驶的专有化架构深刻转变. 为系统梳理这一领域, 首先回顾其从粗略检索到精准3-DoF姿态估计的发展脉络. 进而, 提出一个从“输入数据、模型架构、评价指标、损失函数”四个核心维度出发的分析框架, 以此对主流方法进行系统性解构与归因, 揭示不同技术路径的设计权衡. 此外, 详细评述自动驾驶跨视图定位数据集, 并指出当前评估在泛化能力考量上的不足; 为此, 构建新的包含结构化道路与越野场景的CSC-Shanmao数据集, 作为评估模型环境适应性的新基准, 并在其上验证了多种代表性方法, 结果表明面向自动驾驶设计的方法在精度与鲁棒性上优势显著, 但同时也暴露出精度、效率与泛化性之间的突出矛盾. 最后, 总结该技术在轻量化部署、多模态融合可靠性及评估体系等方面面临的严峻挑战, 并展望轻量化设计、可信评估基准及主动感知等未来关键研究方向.
跨视图定位技术正经历从通用框架向面向自动驾驶的专有化架构深刻转变. 为系统梳理这一领域, 首先回顾其从粗略检索到精准3-DoF姿态估计的发展脉络. 进而, 提出一个从“输入数据、模型架构、评价指标、损失函数”四个核心维度出发的分析框架, 以此对主流方法进行系统性解构与归因, 揭示不同技术路径的设计权衡. 此外, 详细评述自动驾驶跨视图定位数据集, 并指出当前评估在泛化能力考量上的不足; 为此, 构建新的包含结构化道路与越野场景的CSC-Shanmao数据集, 作为评估模型环境适应性的新基准, 并在其上验证了多种代表性方法, 结果表明面向自动驾驶设计的方法在精度与鲁棒性上优势显著, 但同时也暴露出精度、效率与泛化性之间的突出矛盾. 最后, 总结该技术在轻量化部署、多模态融合可靠性及评估体系等方面面临的严峻挑战, 并展望轻量化设计、可信评估基准及主动感知等未来关键研究方向.
摘要:
自动驾驶作为具身智能的关键应用方向, 正经历从模块化结构向端到端框架的深刻变革, 而大模型的爆发为其从“感知智能”向“认知智能”的跃迁提供了关键驱动力. 首先回顾自动驾驶技术的演进历程, 剖析传统模块化结构的局限与端到端范式的兴起, 指出现有的基于监督学习的端到端模型在可解释性与因果推理上的不足. 接着引出大模型尤其是多模态大语言模型赋能自动驾驶的前沿机制, 系统梳理大语言模型、视觉−语言模型、视觉−语言−动作模型的贡献. 与此同时, 也梳理了新兴的世界模型的发展脉络及其为自动驾驶带来的环境推演能力. 进一步地, 探讨自动驾驶的训练范式与验证体系变革, 分析数据集从几何感知向认知理解的演变, 以及开环评估与闭环验证的方法. 最后, 总结当前技术面临的挑战, 并展望构建数据驱动、认知增强与虚实闭环的一体化自动驾驶系统的未来方向.
自动驾驶作为具身智能的关键应用方向, 正经历从模块化结构向端到端框架的深刻变革, 而大模型的爆发为其从“感知智能”向“认知智能”的跃迁提供了关键驱动力. 首先回顾自动驾驶技术的演进历程, 剖析传统模块化结构的局限与端到端范式的兴起, 指出现有的基于监督学习的端到端模型在可解释性与因果推理上的不足. 接着引出大模型尤其是多模态大语言模型赋能自动驾驶的前沿机制, 系统梳理大语言模型、视觉−语言模型、视觉−语言−动作模型的贡献. 与此同时, 也梳理了新兴的世界模型的发展脉络及其为自动驾驶带来的环境推演能力. 进一步地, 探讨自动驾驶的训练范式与验证体系变革, 分析数据集从几何感知向认知理解的演变, 以及开环评估与闭环验证的方法. 最后, 总结当前技术面临的挑战, 并展望构建数据驱动、认知增强与虚实闭环的一体化自动驾驶系统的未来方向.
摘要:
针对具有多个运行点的非线性离散时间多变量强耦合系统, 提出一种最优切换解耦控制方法. 首先, 将非线性系统在多个运行点附近泰勒展开, 得到多个近似线性模型, 通过引入开关函数, 并利用矩阵分解方法建立控制器设计模型; 然后, 基于考虑耦合影响的复合型性能指标, 利用嵌入转换技术、极小值原理及二次规划技术, 推导出最优切换准则函数及最优切换解耦控制器, 并设计鲁棒补偿器以提升控制系统性能; 最后, 进行数值仿真实验, 实验结果验证了所提方法的有效性及优越性.
针对具有多个运行点的非线性离散时间多变量强耦合系统, 提出一种最优切换解耦控制方法. 首先, 将非线性系统在多个运行点附近泰勒展开, 得到多个近似线性模型, 通过引入开关函数, 并利用矩阵分解方法建立控制器设计模型; 然后, 基于考虑耦合影响的复合型性能指标, 利用嵌入转换技术、极小值原理及二次规划技术, 推导出最优切换准则函数及最优切换解耦控制器, 并设计鲁棒补偿器以提升控制系统性能; 最后, 进行数值仿真实验, 实验结果验证了所提方法的有效性及优越性.
摘要:
针对无人机攻击地面车辆场景下具有非零攻击半径、任务时间受限以及目标受地面约束的追逃博弈问题, 建立空地异构参与者的相对运动学模型, 并将无人机在给定时间内进入攻击范围的问题表述为有限时域获胜区求解问题. 在此基础上, 构造相应的哈密顿–雅可比–伊萨克斯变分不等式模型, 给出原始博弈的最优控制与闭式哈密顿量表达, 并针对其中由控制切换与分段结构引起的非光滑性构造平滑近似哈密顿量. 结合水平集框架、局部Lax-Friedrichs耗散和Runge-Kutta时间推进, 对全四维状态空间中的值函数进行回溯求解, 并基于固定切片、参数–相对航向角热力图及边界轮廓对速度比、角速度比和攻击半径对获胜区的影响进行分析. 数值结果表明, 在平滑近似模型与参数扫描范围下, 三类参数的增大均有助于扩大无人机获胜区, 但作用方式存在明显差异: 速度比主要决定获胜区的整体扩张, 角速度比主要表现为对局部边界形状的修正, 攻击半径则主要体现为终端命中条件放宽所带来的几何外扩. 相关结果可为无人机攻击约束设计、机动能力配置及对抗效能评估提供参考.
针对无人机攻击地面车辆场景下具有非零攻击半径、任务时间受限以及目标受地面约束的追逃博弈问题, 建立空地异构参与者的相对运动学模型, 并将无人机在给定时间内进入攻击范围的问题表述为有限时域获胜区求解问题. 在此基础上, 构造相应的哈密顿–雅可比–伊萨克斯变分不等式模型, 给出原始博弈的最优控制与闭式哈密顿量表达, 并针对其中由控制切换与分段结构引起的非光滑性构造平滑近似哈密顿量. 结合水平集框架、局部Lax-Friedrichs耗散和Runge-Kutta时间推进, 对全四维状态空间中的值函数进行回溯求解, 并基于固定切片、参数–相对航向角热力图及边界轮廓对速度比、角速度比和攻击半径对获胜区的影响进行分析. 数值结果表明, 在平滑近似模型与参数扫描范围下, 三类参数的增大均有助于扩大无人机获胜区, 但作用方式存在明显差异: 速度比主要决定获胜区的整体扩张, 角速度比主要表现为对局部边界形状的修正, 攻击半径则主要体现为终端命中条件放宽所带来的几何外扩. 相关结果可为无人机攻击约束设计、机动能力配置及对抗效能评估提供参考.
摘要:
Transformer模型具有庞大的参数规模和计算开销, 难以直接部署于资源受限的边缘设备, 限制了其在开放环境中的实际应用. 低比特量化能够显著降低模型存储需求并提升推理效率, 是实现Transformer模型轻量化部署的重要技术路径. 然而, 现有量化方法通常受固定量化区间约束, 在处理非线性激活产生的长尾分布时, 难以有效平衡裁剪误差与舍入误差, 导致模型性能明显下降. 为此, 提出一种面向低比特Transformer模型的无约束训练后量化方法(CFQuant), 通过建模神经网络激活值的概率分布实现自适应量化. 首先, CFQuant在校准过程中自适应估计激活分布密度, 并通过迭代搜索最小化量化误差. 其次, 设计高效尺度偏移算法动态调整模型分布, 以减小校准阶段与推理阶段之间的分布偏移, 进一步提升量化稳定性. 此外, 构建基于查找表的矩阵乘法加速机制, 将低比特推理中的浮点乘法转换为预计算查找操作, 从而降低推理计算开销. 最后, 通过在多类Transformer模型以及视觉、语言和多模态任务上的大量实验, 充分验证了所提方法的灵活性和有效性.
Transformer模型具有庞大的参数规模和计算开销, 难以直接部署于资源受限的边缘设备, 限制了其在开放环境中的实际应用. 低比特量化能够显著降低模型存储需求并提升推理效率, 是实现Transformer模型轻量化部署的重要技术路径. 然而, 现有量化方法通常受固定量化区间约束, 在处理非线性激活产生的长尾分布时, 难以有效平衡裁剪误差与舍入误差, 导致模型性能明显下降. 为此, 提出一种面向低比特Transformer模型的无约束训练后量化方法(CFQuant), 通过建模神经网络激活值的概率分布实现自适应量化. 首先, CFQuant在校准过程中自适应估计激活分布密度, 并通过迭代搜索最小化量化误差. 其次, 设计高效尺度偏移算法动态调整模型分布, 以减小校准阶段与推理阶段之间的分布偏移, 进一步提升量化稳定性. 此外, 构建基于查找表的矩阵乘法加速机制, 将低比特推理中的浮点乘法转换为预计算查找操作, 从而降低推理计算开销. 最后, 通过在多类Transformer模型以及视觉、语言和多模态任务上的大量实验, 充分验证了所提方法的灵活性和有效性.
摘要:
针对欠驱动船舶在复杂海况下路径跟踪、横摇稳定与舵机磨损抑制的多目标协同难题, 提出基于稀疏优化的模型预测控制方法. 首先构建融合路径跟踪误差与横摇运动的高保真增广动力学模型, 显式考虑舵角与舵速约束; 再引入时变自适应L1范数惩罚机制, 根据跟踪误差动态调节稀疏化权重, 在保证跟踪精度的同时抑制高频打舵; 最后设计投影近端梯度法, 通过梯度步、近端步与投影步交替迭代, 高效求解多约束复合优化问题, 并证明了算法的线性收敛性与闭环系统的有界稳定性. 仿真结果表明, 与未考虑横摇稳定的方法相比, 所提方法在保持路径跟踪精度的前提下, 横摇角与横摇角速度标准差分别降低52.17%和67.52%; 与基于二次规划的精确解法相比, 高频控制动作比例减少29.49%, 求解耗时降低97.67%, 显著提升了欠驱动船舶的横向稳定性、控制稀疏性与计算实时性, 为复杂海况下的多目标协同控制提供有效参考.
针对欠驱动船舶在复杂海况下路径跟踪、横摇稳定与舵机磨损抑制的多目标协同难题, 提出基于稀疏优化的模型预测控制方法. 首先构建融合路径跟踪误差与横摇运动的高保真增广动力学模型, 显式考虑舵角与舵速约束; 再引入时变自适应L1范数惩罚机制, 根据跟踪误差动态调节稀疏化权重, 在保证跟踪精度的同时抑制高频打舵; 最后设计投影近端梯度法, 通过梯度步、近端步与投影步交替迭代, 高效求解多约束复合优化问题, 并证明了算法的线性收敛性与闭环系统的有界稳定性. 仿真结果表明, 与未考虑横摇稳定的方法相比, 所提方法在保持路径跟踪精度的前提下, 横摇角与横摇角速度标准差分别降低52.17%和67.52%; 与基于二次规划的精确解法相比, 高频控制动作比例减少29.49%, 求解耗时降低97.67%, 显著提升了欠驱动船舶的横向稳定性、控制稀疏性与计算实时性, 为复杂海况下的多目标协同控制提供有效参考.
摘要:
当前教育大语言模型主要依赖文本对话开展知识讲解, 缺乏直观且动态的交互式呈现能力, 从而在复杂概念的可视化与过程性理解支持方面存在一定局限. 为此, 提出一种面向富媒体交互生成的教育大语言模型构建方法及其配套评测框架. 首先, 依据多学科教学大纲并结合细粒度知识点, 构建包含高质量交互式超文本标记语言(HTML)动画以及教学代码的指令数据集, 以缓解高质量数据稀缺的问题. 其次, 构建“监督微调 + 强化学习”的两阶段训练策略: 设计融合代码可执行性与教学相关性的混合奖励模型, 并通过强化学习进一步对齐模型生成内容的教育价值与代码鲁棒性, 从而获得具备交互式HTML教学素材生成能力的领域专用大语言模型. 最后, 针对交互式教学内容缺乏自动化评测体系的现状, 构建涵盖代码正确性、渲染成功率与教学交互性等维度的指标体系, 并实现相应的自动评估管线. 实验结果表明, 所提模型在交互式教学内容生成的准确性与交互性方面优于主流开源与闭源基座模型. 相关模型、数据与评测工具将公开发布, 以支持教育人工智能研究与应用的进一步发展.
当前教育大语言模型主要依赖文本对话开展知识讲解, 缺乏直观且动态的交互式呈现能力, 从而在复杂概念的可视化与过程性理解支持方面存在一定局限. 为此, 提出一种面向富媒体交互生成的教育大语言模型构建方法及其配套评测框架. 首先, 依据多学科教学大纲并结合细粒度知识点, 构建包含高质量交互式超文本标记语言(HTML)动画以及教学代码的指令数据集, 以缓解高质量数据稀缺的问题. 其次, 构建“监督微调 + 强化学习”的两阶段训练策略: 设计融合代码可执行性与教学相关性的混合奖励模型, 并通过强化学习进一步对齐模型生成内容的教育价值与代码鲁棒性, 从而获得具备交互式HTML教学素材生成能力的领域专用大语言模型. 最后, 针对交互式教学内容缺乏自动化评测体系的现状, 构建涵盖代码正确性、渲染成功率与教学交互性等维度的指标体系, 并实现相应的自动评估管线. 实验结果表明, 所提模型在交互式教学内容生成的准确性与交互性方面优于主流开源与闭源基座模型. 相关模型、数据与评测工具将公开发布, 以支持教育人工智能研究与应用的进一步发展.
摘要:
个性化自适应学习是当前智能教育发展的核心. 以往的学习模型在识别学习者个体差异、整合认知与情感因素、适应多样学习任务等方面存在理论瓶颈, 导致个性化学习在教育场景中缺乏解释力、泛化性与适应性, 难以充分满足个性化学习的复杂情境. 为此, 首先梳理个性化学习与人工智能技术融合的发展历程, 分析认知、情感与任务三大因素在个性化自适应学习中的关键作用以及以往研究存在的局限. 在此基础上提出认知−情感−任务(CAT)学习理论模型, 并通过多模态数据采集与分析方法, 在外语学习场景中分析不同任务难度下学习者认知与情感加工状态的变化, 对CAT学习理论模型进行初步的实证. 该理论为个性化自适应学习研究提供更具整合性的理论支撑, 对当前的智能教育发展具有一定的指导意义.
个性化自适应学习是当前智能教育发展的核心. 以往的学习模型在识别学习者个体差异、整合认知与情感因素、适应多样学习任务等方面存在理论瓶颈, 导致个性化学习在教育场景中缺乏解释力、泛化性与适应性, 难以充分满足个性化学习的复杂情境. 为此, 首先梳理个性化学习与人工智能技术融合的发展历程, 分析认知、情感与任务三大因素在个性化自适应学习中的关键作用以及以往研究存在的局限. 在此基础上提出认知−情感−任务(CAT)学习理论模型, 并通过多模态数据采集与分析方法, 在外语学习场景中分析不同任务难度下学习者认知与情感加工状态的变化, 对CAT学习理论模型进行初步的实证. 该理论为个性化自适应学习研究提供更具整合性的理论支撑, 对当前的智能教育发展具有一定的指导意义.
摘要:
腧穴定位精度直接影响针灸、艾灸和推拿等疗法的疗效. 传统定位依赖医师经验, 主观性强、稳定性差, 难以支撑标准化临床应用. 计算机视觉与具身智能的发展, 使基于视觉的腧穴关键点识别成为体表定位自动化、精准化的基础, 并推动智能腧穴机器人落地. 首次提出面向腧穴关键点识别的层级化分类框架, 系统梳理从人工先验规则到融合图像处理、深度学习及三维重建的定位范式, 并剖析RTMPose、HRNet、Faster R-CNN、YOLO-Pose等代表性算法在定位精度、实时性与计算效能上的适用边界. 针对数据集与评价指标不统一造成的性能对比偏差, 总结主流腧穴数据集与评估体系, 分析跨数据集横向对比的局限. 为弥合算法指标与机器人实际执行间的工程鸿沟, 提出将像素级误差转换为三维物理尺度误差的量化方法, 为临床规范化应用提供指引. 最后归纳动态遮挡、模型泛化瓶颈与实时性需求等落地挑战, 并结合具身智能与多模态感知展望智能腧穴机器人的发展趋势.
腧穴定位精度直接影响针灸、艾灸和推拿等疗法的疗效. 传统定位依赖医师经验, 主观性强、稳定性差, 难以支撑标准化临床应用. 计算机视觉与具身智能的发展, 使基于视觉的腧穴关键点识别成为体表定位自动化、精准化的基础, 并推动智能腧穴机器人落地. 首次提出面向腧穴关键点识别的层级化分类框架, 系统梳理从人工先验规则到融合图像处理、深度学习及三维重建的定位范式, 并剖析RTMPose、HRNet、Faster R-CNN、YOLO-Pose等代表性算法在定位精度、实时性与计算效能上的适用边界. 针对数据集与评价指标不统一造成的性能对比偏差, 总结主流腧穴数据集与评估体系, 分析跨数据集横向对比的局限. 为弥合算法指标与机器人实际执行间的工程鸿沟, 提出将像素级误差转换为三维物理尺度误差的量化方法, 为临床规范化应用提供指引. 最后归纳动态遮挡、模型泛化瓶颈与实时性需求等落地挑战, 并结合具身智能与多模态感知展望智能腧穴机器人的发展趋势.
摘要:
故障诊断是保障工业系统安全运行的关键环节. 传统的诊断模型通常输出抽象的结果,例如异常分数或故障类别,但无法回答"为何故障"或"如何维修"等关键问题. 尽管大语言模型为故障诊断展现了强大的潜力,但其在处理时间序列工业信号时面临语义鸿沟问题,即连续的时序数据难以编码为语言模型能够有效处理的离散词元. 与传统故障诊断"从信号到类别"的模式不同,本文提出一种全新的故障诊断框架,即"从信号到语义"的故障诊断框架(S2S-FDD). 首先,本文设计一种基于时序解析语义库的大模型转换模块,将抽象的时间序列信号转换为自然语言摘要,提取趋势、周期性和偏差等特征信息,这实现了从抽象信号空间到语义空间的映射. 其次,基于抽取的语义描述,设计一种对齐专家诊断逻辑的迭代推理方法. 该方法通过大模型将语义描述与历史维护文档进行比对,形成初步诊断假设,并在信息不足时主动规划并请求额外的传感数据以进行多轮求证,输出可追溯的故障诊断逻辑链. 多相流和实际火电过程的实验结果表明,该方法在无需故障样本的条件下达到了较高的诊断准确率. 更重要的是,它不局限于最终产出不是抽象的故障标签,而是生成人类专家可理解、可验证的推理过程和诊断报告,为实现智能诊断提供了新的范式.
故障诊断是保障工业系统安全运行的关键环节. 传统的诊断模型通常输出抽象的结果,例如异常分数或故障类别,但无法回答"为何故障"或"如何维修"等关键问题. 尽管大语言模型为故障诊断展现了强大的潜力,但其在处理时间序列工业信号时面临语义鸿沟问题,即连续的时序数据难以编码为语言模型能够有效处理的离散词元. 与传统故障诊断"从信号到类别"的模式不同,本文提出一种全新的故障诊断框架,即"从信号到语义"的故障诊断框架(S2S-FDD). 首先,本文设计一种基于时序解析语义库的大模型转换模块,将抽象的时间序列信号转换为自然语言摘要,提取趋势、周期性和偏差等特征信息,这实现了从抽象信号空间到语义空间的映射. 其次,基于抽取的语义描述,设计一种对齐专家诊断逻辑的迭代推理方法. 该方法通过大模型将语义描述与历史维护文档进行比对,形成初步诊断假设,并在信息不足时主动规划并请求额外的传感数据以进行多轮求证,输出可追溯的故障诊断逻辑链. 多相流和实际火电过程的实验结果表明,该方法在无需故障样本的条件下达到了较高的诊断准确率. 更重要的是,它不局限于最终产出不是抽象的故障标签,而是生成人类专家可理解、可验证的推理过程和诊断报告,为实现智能诊断提供了新的范式.
摘要:
针对复杂无人机群易受通信干扰与节点摧毁影响的问题, 研究资源受限条件下的关键节点识别与攻击策略. 首先构建无人机群图模型, 模拟覆盖多种拓扑与运行状态的数据集, 并基于连通性与任务性能变化形成任务退化导向标注. 其次在拓扑先验与任务状态增强Transformer (Topology-Prior and Task-state enhanced Transformer, TPT-Former) 框架下融合拓扑先验与任务状态信息, 提出关键节点评估模型, 并采用加权回归损失提升预测精度. 最后在攻击数量与成本双约束下, 设计基于学习型关键性评分的贪心攻击策略, 并与度中心性、介数中心性及传统图注意力网络 (graph attention network, GAT) 策略对比. 结果表明, 所提方法在关键性预测与单位资源破坏效能方面优于对比方法, 可为无人机群抗毁性评估与拓扑加固提供参考.
针对复杂无人机群易受通信干扰与节点摧毁影响的问题, 研究资源受限条件下的关键节点识别与攻击策略. 首先构建无人机群图模型, 模拟覆盖多种拓扑与运行状态的数据集, 并基于连通性与任务性能变化形成任务退化导向标注. 其次在拓扑先验与任务状态增强Transformer (Topology-Prior and Task-state enhanced Transformer, TPT-Former) 框架下融合拓扑先验与任务状态信息, 提出关键节点评估模型, 并采用加权回归损失提升预测精度. 最后在攻击数量与成本双约束下, 设计基于学习型关键性评分的贪心攻击策略, 并与度中心性、介数中心性及传统图注意力网络 (graph attention network, GAT) 策略对比. 结果表明, 所提方法在关键性预测与单位资源破坏效能方面优于对比方法, 可为无人机群抗毁性评估与拓扑加固提供参考.
摘要:
航空制造业作为战略性高新技术产业, 在推动国民经济发展和保障国防安全中具有不可替代的作用. 本综述以航空发动机叶片、机身结构件等航空制造关键零部件为切入点, 先详细梳理目前国内外零部件检测技术的发展现状, 围绕航空制造中零部件表面信息的自主获取、航空发动机叶片等关键零部件的尺寸自主测量、飞机蒙皮和机身部件的缺陷自主检测等关键技术展开分析. 并从机器人智能制造系统的视角出发, 阐述智能制造的数据综合评价与数字孪生应用关键技术, 介绍航空制造生产线机器人自主检测系统的典型案例. 最后, 基于智能制造相关技术, 展望航空制造关键零部件机器人自主检测在自主感知、集群作业和人机协同等方面的发展趋势, 并进一步阐述落地的关键难点和潜在解决方案. 相关内容可为深化机器人化自主检测技术研究、精准推进智能制造提供理论参考.
航空制造业作为战略性高新技术产业, 在推动国民经济发展和保障国防安全中具有不可替代的作用. 本综述以航空发动机叶片、机身结构件等航空制造关键零部件为切入点, 先详细梳理目前国内外零部件检测技术的发展现状, 围绕航空制造中零部件表面信息的自主获取、航空发动机叶片等关键零部件的尺寸自主测量、飞机蒙皮和机身部件的缺陷自主检测等关键技术展开分析. 并从机器人智能制造系统的视角出发, 阐述智能制造的数据综合评价与数字孪生应用关键技术, 介绍航空制造生产线机器人自主检测系统的典型案例. 最后, 基于智能制造相关技术, 展望航空制造关键零部件机器人自主检测在自主感知、集群作业和人机协同等方面的发展趋势, 并进一步阐述落地的关键难点和潜在解决方案. 相关内容可为深化机器人化自主检测技术研究、精准推进智能制造提供理论参考.
摘要:
针对有向拓扑下含非自治领导者的多智能体系统, 提出一种基于未知输入观测器的分布式动态事件触发控制方法, 以解决其时变编队跟踪问题. 首先, 利用智能体间的相对输出信息设计未知输入观测器, 以估计智能体之间的相对状态. 在此基础上, 引入动态事件触发机制来确定控制输入的更新时刻, 从而有效降低控制更新频率. 随后, 设计一种时变编队跟踪控制协议, 使得跟随者仅依赖相对输出信息即可实现对非自治领导者的编队跟踪. 通过构造合适的Lyapunov函数, 严格证明了编队跟踪误差的渐近收敛性. 此外, 借助反证法严格排除了芝诺行为的存在. 最后, 数值仿真结果验证了所提方法的有效性.
针对有向拓扑下含非自治领导者的多智能体系统, 提出一种基于未知输入观测器的分布式动态事件触发控制方法, 以解决其时变编队跟踪问题. 首先, 利用智能体间的相对输出信息设计未知输入观测器, 以估计智能体之间的相对状态. 在此基础上, 引入动态事件触发机制来确定控制输入的更新时刻, 从而有效降低控制更新频率. 随后, 设计一种时变编队跟踪控制协议, 使得跟随者仅依赖相对输出信息即可实现对非自治领导者的编队跟踪. 通过构造合适的Lyapunov函数, 严格证明了编队跟踪误差的渐近收敛性. 此外, 借助反证法严格排除了芝诺行为的存在. 最后, 数值仿真结果验证了所提方法的有效性.
摘要:
针对存在模型不确定性与外部扰动的多智能体协同控制问题, 提出一种基于模型相对阶解耦的安全强化学习框架. 首先, 利用非线性系统中的相对阶理论, 将高阶状态安全约束映射为输入显式出现的仿射不等式; 在参数凸多面体不确定与有界扰动条件下, 进一步给出由有限个线性不等式交集表征的可认证凸安全动作集, 为在线投影与约束求解提供显式可行域. 其次, 为解决单步屏蔽易产生后继不可行的问题, 设计带终端集的滚动安全滤波器: 在每个时刻维护有限时域备份控制序列, 并通过末端约束与终端控制器保证递归可行与无限时域安全性. 最后, 利用相对阶标准型构建策略分解结构, 以LQR标称控制器提供稳定热启动, 强化学习仅负责对未建模动态进行补偿, 并采用参数共享IPPO学习补偿量. 卫星编队姿态控制仿真结果表明: 在执行器效率不确定与扰动条件下, 所提方法能够将约束违规率维持在近零水平, 同时实现更快的训练收敛与更低的跟踪误差.
针对存在模型不确定性与外部扰动的多智能体协同控制问题, 提出一种基于模型相对阶解耦的安全强化学习框架. 首先, 利用非线性系统中的相对阶理论, 将高阶状态安全约束映射为输入显式出现的仿射不等式; 在参数凸多面体不确定与有界扰动条件下, 进一步给出由有限个线性不等式交集表征的可认证凸安全动作集, 为在线投影与约束求解提供显式可行域. 其次, 为解决单步屏蔽易产生后继不可行的问题, 设计带终端集的滚动安全滤波器: 在每个时刻维护有限时域备份控制序列, 并通过末端约束与终端控制器保证递归可行与无限时域安全性. 最后, 利用相对阶标准型构建策略分解结构, 以LQR标称控制器提供稳定热启动, 强化学习仅负责对未建模动态进行补偿, 并采用参数共享IPPO学习补偿量. 卫星编队姿态控制仿真结果表明: 在执行器效率不确定与扰动条件下, 所提方法能够将约束违规率维持在近零水平, 同时实现更快的训练收敛与更低的跟踪误差.
摘要:
知识追踪旨在对学习者与教学系统的交互序列进行建模, 以刻画其知识状态的动态演化并预测后续作答表现, 进而支持个性化干预. 现有深度模型虽然预测性能优异, 但通常隐含一个假设, 即技能标签、题目表征和时间上下文等异构信号能够在统一嵌入空间中天然兼容. 然而, 当知识粒度不一致、标注存在噪声或数据分布发生偏移时, 这一假设常常不成立, 异构信号之间容易产生表示冲突. 这些表示冲突还会在注意力机制沿时间维度聚合信息的过程中被进一步放大, 使得模型预测置信度与真实不确定性之间出现失配, 从而损害知识状态估计的可靠性和可解释性. 针对上述问题, 本文提出一种表示一致性知识追踪框架RCKT. 该框架首先采用差异检测驱动的门控校准机制, 在表示传播之前修正技能表示与题目表示之间的冲突; 随后在传播阶段引入可靠性感知的自适应融合与组内一致性正则化, 以抑制不可靠信息的级联扩散. 在多个公开数据集上的实验结果表明, RCKT在保持具有竞争力的预测精度的同时, 有效改善了表示传播的稳定性, 并降低了校准误差.
知识追踪旨在对学习者与教学系统的交互序列进行建模, 以刻画其知识状态的动态演化并预测后续作答表现, 进而支持个性化干预. 现有深度模型虽然预测性能优异, 但通常隐含一个假设, 即技能标签、题目表征和时间上下文等异构信号能够在统一嵌入空间中天然兼容. 然而, 当知识粒度不一致、标注存在噪声或数据分布发生偏移时, 这一假设常常不成立, 异构信号之间容易产生表示冲突. 这些表示冲突还会在注意力机制沿时间维度聚合信息的过程中被进一步放大, 使得模型预测置信度与真实不确定性之间出现失配, 从而损害知识状态估计的可靠性和可解释性. 针对上述问题, 本文提出一种表示一致性知识追踪框架RCKT. 该框架首先采用差异检测驱动的门控校准机制, 在表示传播之前修正技能表示与题目表示之间的冲突; 随后在传播阶段引入可靠性感知的自适应融合与组内一致性正则化, 以抑制不可靠信息的级联扩散. 在多个公开数据集上的实验结果表明, RCKT在保持具有竞争力的预测精度的同时, 有效改善了表示传播的稳定性, 并降低了校准误差.
摘要:
红外−可见光协同目标检测是构建全天候、高可靠智能感知系统的核心技术, 在无人机巡航、自动驾驶及安防监控等领域具有极高的应用价值. 然而, 受成像机理异构、环境复杂及传感器失配等因素影响, 如何实现高效、鲁棒的跨模态信息融合仍是当前研究的难点. 首先系统分析红外−可见光协同目标检测在几何对齐、语义一致性及模态完备性等维度的技术挑战. 随后, 面向这些挑战, 综述了基于深度学习的红外−可见光协同目标检测算法, 重点梳理针对几何弱对齐的特征对齐与免配准融合方法、模态不平衡的自适应权重分配与训练优化策略、模态冲突的语义校正与特征解耦方法以及应对模态不完整的伪标注生成与跨域适应方法. 进一步地, 本文采用mAP、MR等精度指标及参数量、FPS、FLOPs等效率指标, 对主流基准数据集上的代表性方法进行性能对比, 展示不同类型方法的优势与局限. 最后, 立足于大模型时代背景, 对统一感知范式、跨模态语义对齐及多模态融合范式拓展等前沿方向进行展望, 旨在为该领域的后续研究与工程实践提供较为系统的参考依据.
红外−可见光协同目标检测是构建全天候、高可靠智能感知系统的核心技术, 在无人机巡航、自动驾驶及安防监控等领域具有极高的应用价值. 然而, 受成像机理异构、环境复杂及传感器失配等因素影响, 如何实现高效、鲁棒的跨模态信息融合仍是当前研究的难点. 首先系统分析红外−可见光协同目标检测在几何对齐、语义一致性及模态完备性等维度的技术挑战. 随后, 面向这些挑战, 综述了基于深度学习的红外−可见光协同目标检测算法, 重点梳理针对几何弱对齐的特征对齐与免配准融合方法、模态不平衡的自适应权重分配与训练优化策略、模态冲突的语义校正与特征解耦方法以及应对模态不完整的伪标注生成与跨域适应方法. 进一步地, 本文采用mAP、MR等精度指标及参数量、FPS、FLOPs等效率指标, 对主流基准数据集上的代表性方法进行性能对比, 展示不同类型方法的优势与局限. 最后, 立足于大模型时代背景, 对统一感知范式、跨模态语义对齐及多模态融合范式拓展等前沿方向进行展望, 旨在为该领域的后续研究与工程实践提供较为系统的参考依据.
摘要:
随着在线教育的普及, 学生参与度预测(SEP)已成为评估教学效能的核心任务. 尽管视觉语言模型(VLMs)在通用多模态表征学习中表现卓越, 但直接迁移至SEP领域时, 受限于对细粒度面部微表情及特定教学语境下宏观情绪的感知瓶颈, 难以实现视觉特征与高层语义标签的精准对齐. 为此, 提出基于VLMs的多模态学生参与度预测方法VLM-SEP. 该方法先进行多层次参与度特征解耦, 从面部表情与动作姿态中提取结构化参与度特征; 再引入知识引导的注意力集中度推理, 建立离散视觉特征与参与度状态语言描述的显式映射; 最后通过跨模态融合决策, 结合视觉与文本信息实现参与度精准判别. 在三个公开数据集上的实验结果表明, 该方法有效提升了VLMs在SEP领域的适配性, 为学生参与度预测提供可解释解决方案.
随着在线教育的普及, 学生参与度预测(SEP)已成为评估教学效能的核心任务. 尽管视觉语言模型(VLMs)在通用多模态表征学习中表现卓越, 但直接迁移至SEP领域时, 受限于对细粒度面部微表情及特定教学语境下宏观情绪的感知瓶颈, 难以实现视觉特征与高层语义标签的精准对齐. 为此, 提出基于VLMs的多模态学生参与度预测方法VLM-SEP. 该方法先进行多层次参与度特征解耦, 从面部表情与动作姿态中提取结构化参与度特征; 再引入知识引导的注意力集中度推理, 建立离散视觉特征与参与度状态语言描述的显式映射; 最后通过跨模态融合决策, 结合视觉与文本信息实现参与度精准判别. 在三个公开数据集上的实验结果表明, 该方法有效提升了VLMs在SEP领域的适配性, 为学生参与度预测提供可解释解决方案.
摘要:
针对由涵盖执行器部分至完全失效的多级故障所导致的网联车队决策−执行层协调失配问题, 提出一种融合跟踪精度与收敛速度监督的协同变道容错控制方法. 首先, 针对变道决策规划参数不当引发的快速性与平稳性冲突问题, 设计一种基于可变安全时窗的目标轨迹规划机制, 规避相邻车道动态障碍车碰撞风险, 实现变道过程快速响应与乘客舒适性的动态权衡. 其次, 针对多级故障、饱和输入与欺骗攻击耦合造成的执行层轨迹跟踪失控问题, 构建一种集成分布式扰动近似技术的性能监督容错跟踪控制策略, 确保队列跟踪精度与收敛速度在预设时间内恢复到指定范围, 消除对故障因子非零的强假设条件. 接着, 针对多级故障过渡阶段安全时窗非光滑突变引发的决策−执行层协调失配问题, 提出一种基于性能过渡映射的自适应协同变道控制方法, 确保决策层与执行层动态双向交互调节, 保障车队一致跟踪目标轨迹并安全完成变道. 最后, 通过仿真实验验证了所提方法的有效性.
针对由涵盖执行器部分至完全失效的多级故障所导致的网联车队决策−执行层协调失配问题, 提出一种融合跟踪精度与收敛速度监督的协同变道容错控制方法. 首先, 针对变道决策规划参数不当引发的快速性与平稳性冲突问题, 设计一种基于可变安全时窗的目标轨迹规划机制, 规避相邻车道动态障碍车碰撞风险, 实现变道过程快速响应与乘客舒适性的动态权衡. 其次, 针对多级故障、饱和输入与欺骗攻击耦合造成的执行层轨迹跟踪失控问题, 构建一种集成分布式扰动近似技术的性能监督容错跟踪控制策略, 确保队列跟踪精度与收敛速度在预设时间内恢复到指定范围, 消除对故障因子非零的强假设条件. 接着, 针对多级故障过渡阶段安全时窗非光滑突变引发的决策−执行层协调失配问题, 提出一种基于性能过渡映射的自适应协同变道控制方法, 确保决策层与执行层动态双向交互调节, 保障车队一致跟踪目标轨迹并安全完成变道. 最后, 通过仿真实验验证了所提方法的有效性.
摘要:
神经网络在具身智能领域发挥了重要作用, 而其动态特性控制是其应用的关键. 首先, 针对欺骗攻击和切换拓扑给多具空间动态特性神经网络控制带来的挑战, 提出一种新的分布式事件触发跟踪同步控制协议. 然后, 通过构造新的Lyapunov函数和结合不等式技术, 得到多反应扩散神经网络系统在欺骗攻击和切换拓扑下的事件触发跟踪同步控制条件. 其次, 通过证明任意相邻事件的触发间隔存在正的下界, 排除了系统中的芝诺现象. 同时, 给出系统在无攻击时的事件触发跟踪同步控制条件. 此外, 控制器的参数由本文所得出的结论来确定, 进一步加强了系统的安全性. 最后, 给出一个数值仿真验证本文所设计控制策略的有效性.
神经网络在具身智能领域发挥了重要作用, 而其动态特性控制是其应用的关键. 首先, 针对欺骗攻击和切换拓扑给多具空间动态特性神经网络控制带来的挑战, 提出一种新的分布式事件触发跟踪同步控制协议. 然后, 通过构造新的Lyapunov函数和结合不等式技术, 得到多反应扩散神经网络系统在欺骗攻击和切换拓扑下的事件触发跟踪同步控制条件. 其次, 通过证明任意相邻事件的触发间隔存在正的下界, 排除了系统中的芝诺现象. 同时, 给出系统在无攻击时的事件触发跟踪同步控制条件. 此外, 控制器的参数由本文所得出的结论来确定, 进一步加强了系统的安全性. 最后, 给出一个数值仿真验证本文所设计控制策略的有效性.
摘要:
针对无人机在密集障碍物环境及多重威胁场景下执行任务时,传统路径规划方法易陷入局部最优、导致航迹安全性不足且任务代价波动较大的问题,提出一种融合多策略的无人机路径规划方法.在路径生成阶段,引入基于Sobol序列的初始化机制,以提升候选航迹在三维空间中的分布均匀性,从而增强无人机对复杂环境的全局感知能力;在飞行决策过程中,构建自适应调节机制,使无人机能够依据环境变化与任务进展动态调整搜索行为,提高在多威胁干扰下的稳定性与适应性.同时,借鉴群智能中的协同搜索思想,强化路径规划过程中全局探索与局部优化的协调能力,使无人机既能规避大范围风险区域,又能在局部复杂地形中精细调整飞行轨迹.此外,针对无人机在复杂空间中易出现路径集中、灵活性不足的问题,设计了空间分布式精英领导策略,通过引导生成多样化候选航迹,有效提升路径的安全冗余性与抗干扰能力,避免陷入单一路径依赖.最后,在典型测试函数及三维无人机飞行仿真环境中进行实验验证.结果表明,该方法在复杂场景下能够生成更加安全、稳定且高质量的飞行路径,显著提升无人机的任务执行能力与鲁棒性.
针对无人机在密集障碍物环境及多重威胁场景下执行任务时,传统路径规划方法易陷入局部最优、导致航迹安全性不足且任务代价波动较大的问题,提出一种融合多策略的无人机路径规划方法.在路径生成阶段,引入基于Sobol序列的初始化机制,以提升候选航迹在三维空间中的分布均匀性,从而增强无人机对复杂环境的全局感知能力;在飞行决策过程中,构建自适应调节机制,使无人机能够依据环境变化与任务进展动态调整搜索行为,提高在多威胁干扰下的稳定性与适应性.同时,借鉴群智能中的协同搜索思想,强化路径规划过程中全局探索与局部优化的协调能力,使无人机既能规避大范围风险区域,又能在局部复杂地形中精细调整飞行轨迹.此外,针对无人机在复杂空间中易出现路径集中、灵活性不足的问题,设计了空间分布式精英领导策略,通过引导生成多样化候选航迹,有效提升路径的安全冗余性与抗干扰能力,避免陷入单一路径依赖.最后,在典型测试函数及三维无人机飞行仿真环境中进行实验验证.结果表明,该方法在复杂场景下能够生成更加安全、稳定且高质量的飞行路径,显著提升无人机的任务执行能力与鲁棒性.
摘要:
机器翻译幻觉是指译文引入与源文无关的信息, 漏译是指译文遗漏源文关键信息. 针对现有基于模型内部状态的方法依赖额外内部信息、基于外部工具的方法与任务目标不完全一致的问题, 提出结合大语言模型与双流特征网络的Hybrid-HOD. 该方法构建由深度语义特征流和多视角语义对齐特征流组成的异构双流特征, 前者建模源文、机器译文、伪参考译文与回译之间的全局语义一致性, 后者刻画逻辑蕴含、语义相似度和字符级一致性等细粒度对齐信息. 模型通过注意力门控机制融合异构双流特征, 并结合不确定性多任务学习策略优化参数, 在推理阶段与大语言模型直接评分进行线性加权融合, 实现对幻觉与漏译的有效检测. 公开数据集HalOmi上的实验表明, 该方法在句子级严重度排序与二分类任务中均优于基线.
机器翻译幻觉是指译文引入与源文无关的信息, 漏译是指译文遗漏源文关键信息. 针对现有基于模型内部状态的方法依赖额外内部信息、基于外部工具的方法与任务目标不完全一致的问题, 提出结合大语言模型与双流特征网络的Hybrid-HOD. 该方法构建由深度语义特征流和多视角语义对齐特征流组成的异构双流特征, 前者建模源文、机器译文、伪参考译文与回译之间的全局语义一致性, 后者刻画逻辑蕴含、语义相似度和字符级一致性等细粒度对齐信息. 模型通过注意力门控机制融合异构双流特征, 并结合不确定性多任务学习策略优化参数, 在推理阶段与大语言模型直接评分进行线性加权融合, 实现对幻觉与漏译的有效检测. 公开数据集HalOmi上的实验表明, 该方法在句子级严重度排序与二分类任务中均优于基线.
摘要:
CO2排放浓度动态预测是助力实现双碳战略的关键环节之一, 但城市固废焚烧(MSWI)过程受限于燃料与工况波动及数据噪声等多种因素, 传统数据驱动或机理驱动难以实现高精度建模. 针对该问题, 提出虚实数据混合驱动的CO2排放浓度预测方法. 首先, 依据CO2的产生机理特性通过耦合多软件构建数值仿真模型并结合双重正交实验获取虚拟机理数据; 然后, 在采用虚拟机理数据构建基于改进决策树的可解释主模型的基础上, 以真实过程数据为输入得到主模型残差数据后再采用区间三型模糊宽度学习系统构建残差补偿模型, 得到虚实驱动主补机制模型; 接着, 为捕获CO2排放的动态特性, 基于长短期神经网络构建真实数据驱动时序特性模型; 最后, 通过改进岭回归实现上述虚实模型输出的动态融合, 得到CO2排放浓度的预测结果. 基于北京某MSWI电厂实际数据验证了模型的有效性和合理性.
CO2排放浓度动态预测是助力实现双碳战略的关键环节之一, 但城市固废焚烧(MSWI)过程受限于燃料与工况波动及数据噪声等多种因素, 传统数据驱动或机理驱动难以实现高精度建模. 针对该问题, 提出虚实数据混合驱动的CO2排放浓度预测方法. 首先, 依据CO2的产生机理特性通过耦合多软件构建数值仿真模型并结合双重正交实验获取虚拟机理数据; 然后, 在采用虚拟机理数据构建基于改进决策树的可解释主模型的基础上, 以真实过程数据为输入得到主模型残差数据后再采用区间三型模糊宽度学习系统构建残差补偿模型, 得到虚实驱动主补机制模型; 接着, 为捕获CO2排放的动态特性, 基于长短期神经网络构建真实数据驱动时序特性模型; 最后, 通过改进岭回归实现上述虚实模型输出的动态融合, 得到CO2排放浓度的预测结果. 基于北京某MSWI电厂实际数据验证了模型的有效性和合理性.
摘要:
本文研究了隐私保护和不确定马尔科夫切换拓扑下多智能体系统(MASs)的安全协同控制问题. 首先, 采用更具一般性的马尔科夫过程描述多智能体系统的网络拓扑结构, 考虑转换率矩阵包含不确定与部分未知元素的情况. 其次, 为抵御隐私窃听者对状态信息的窃取, 设计保护时长可根据实际需求灵活调整的隐私保护机制. 进而, 考虑系统存在执行器故障与随机发生的虚假数据注入攻击的场景, 通过综合利用估计状态信息与历史触发信息, 设计基于动态记忆事件触发的神经网络自适应控制策略. 最后, 通过仿真模拟对所提理论结果的有效性进行验证.
本文研究了隐私保护和不确定马尔科夫切换拓扑下多智能体系统(MASs)的安全协同控制问题. 首先, 采用更具一般性的马尔科夫过程描述多智能体系统的网络拓扑结构, 考虑转换率矩阵包含不确定与部分未知元素的情况. 其次, 为抵御隐私窃听者对状态信息的窃取, 设计保护时长可根据实际需求灵活调整的隐私保护机制. 进而, 考虑系统存在执行器故障与随机发生的虚假数据注入攻击的场景, 通过综合利用估计状态信息与历史触发信息, 设计基于动态记忆事件触发的神经网络自适应控制策略. 最后, 通过仿真模拟对所提理论结果的有效性进行验证.
摘要:
针对受多重输入非线性影响的机电系统轨迹跟踪问题, 提出一种MIMO无模型最优预设时间和精度控制方法. 首先, 为实现无模型控制, 提出分数阶MIMO极局部模型在极小时间窗口内重构被控系统; 进而基于准时延估计和分数阶滑模控制提出MIMO无模型分数阶控制. 然后, 引入不受初值影响的改进性能函数, 实现对跟踪误差的预设时间和精度约束, 并设计有限时间控制稳定闭环系统, 进而提出MIMO无模型分数阶预设性能有限时间控制. 进一步, 使用海洋捕食者算法优化控制输入增益矩阵参数. 最后, 使用李雅普诺夫方法证明了闭环系统稳定性. 应用于三自由度机械臂的联合仿真表明, 所提方法的平均IAE性能指标相比于基于特征建模的智能自适应控制和无模型预设性能固定时间控制分别减小88.1%和62.1%. 此外相较于矩阵参数人工整定和灰狼优化, 经海洋捕食者算法优化后所提方法的平均IAE性能指标分别能降低74.6%和53.6%. 最后, 应用于七自由度外骨骼的联合仿真进一步验证了所提方法在更复杂系统中的有效性.
针对受多重输入非线性影响的机电系统轨迹跟踪问题, 提出一种MIMO无模型最优预设时间和精度控制方法. 首先, 为实现无模型控制, 提出分数阶MIMO极局部模型在极小时间窗口内重构被控系统; 进而基于准时延估计和分数阶滑模控制提出MIMO无模型分数阶控制. 然后, 引入不受初值影响的改进性能函数, 实现对跟踪误差的预设时间和精度约束, 并设计有限时间控制稳定闭环系统, 进而提出MIMO无模型分数阶预设性能有限时间控制. 进一步, 使用海洋捕食者算法优化控制输入增益矩阵参数. 最后, 使用李雅普诺夫方法证明了闭环系统稳定性. 应用于三自由度机械臂的联合仿真表明, 所提方法的平均IAE性能指标相比于基于特征建模的智能自适应控制和无模型预设性能固定时间控制分别减小88.1%和62.1%. 此外相较于矩阵参数人工整定和灰狼优化, 经海洋捕食者算法优化后所提方法的平均IAE性能指标分别能降低74.6%和53.6%. 最后, 应用于七自由度外骨骼的联合仿真进一步验证了所提方法在更复杂系统中的有效性.
摘要:
为满足供电可靠性、经济性和安全性等运行要求, 智能电网通常涉及微电网孤岛运行、并网运行以及两种运行模式之间的动态切换. 本文提出了一种考虑不同运行模式下系统数据隐私保护需求的智能电网分布式经济调度算法. 首先将微-主网通信机制融入所提算法中, 实现了微电网与主网之间信息的双向交互. 进一步地, 为克服现有隐私保护方法存在的收敛精度不足以及需收集全局信息等问题, 引入基于混合信息的隐私保护机制, 其中混合信息由节点状态及其功率信息构成, 各节点通过接收混合信息完成自身状态更新. 利用Perron-Frobenius定理、矩阵扰动理论以及Karush-Kuhn-Tucker条件证明了所提算法无需收集全局信息即可使系统状态精确收敛至全局最优解. 同时, 考虑两种典型的窃听者模型, 对所提算法在孤岛与并网两种运行模式下经济调度的隐私性进行了分析. 最后, 通过不同运行条件下的仿真实验, 验证了所提算法的可行性和优越性.
为满足供电可靠性、经济性和安全性等运行要求, 智能电网通常涉及微电网孤岛运行、并网运行以及两种运行模式之间的动态切换. 本文提出了一种考虑不同运行模式下系统数据隐私保护需求的智能电网分布式经济调度算法. 首先将微-主网通信机制融入所提算法中, 实现了微电网与主网之间信息的双向交互. 进一步地, 为克服现有隐私保护方法存在的收敛精度不足以及需收集全局信息等问题, 引入基于混合信息的隐私保护机制, 其中混合信息由节点状态及其功率信息构成, 各节点通过接收混合信息完成自身状态更新. 利用Perron-Frobenius定理、矩阵扰动理论以及Karush-Kuhn-Tucker条件证明了所提算法无需收集全局信息即可使系统状态精确收敛至全局最优解. 同时, 考虑两种典型的窃听者模型, 对所提算法在孤岛与并网两种运行模式下经济调度的隐私性进行了分析. 最后, 通过不同运行条件下的仿真实验, 验证了所提算法的可行性和优越性.
摘要:
摘要应涵盖全文. 摘要内容包括研究目的、方法、结果等, 注意不是标题的罗列, 能独立成文, 不能出现公式号和文献号. 英文摘要的书写, 请按英语习惯, 无文法及拼写错误, 用词准确. 无人机技术的普及与滥用带来严峻空防挑战, 民用无人机“黑飞”威胁公共安全与基础设施, 军用无人机及蜂群作战突破传统防空体系, 单一防御手段已难以应对, 提升对非合作无人机的协同跟踪与处置能力迫在眉睫. 飞网协同围捕技术作为无人机反制核心方案之一, 要求多无人机协同估计目标轨迹中心并自主编队完成捕获, 而分布式平均跟踪是实现该目标的关键理论. 本文针对此问题, 提出无需相对速度测量和变量初始化的集群无人机系统动态事件触发分布式平均跟踪算法; 理论分析证实, 该算法可实现分布式平均跟踪目标且闭环系统不存在芝诺现象; 最后以集群无人机跟踪非合作无人机集群为实例, 验证了算法的有效性与实用性.
摘要应涵盖全文. 摘要内容包括研究目的、方法、结果等, 注意不是标题的罗列, 能独立成文, 不能出现公式号和文献号. 英文摘要的书写, 请按英语习惯, 无文法及拼写错误, 用词准确. 无人机技术的普及与滥用带来严峻空防挑战, 民用无人机“黑飞”威胁公共安全与基础设施, 军用无人机及蜂群作战突破传统防空体系, 单一防御手段已难以应对, 提升对非合作无人机的协同跟踪与处置能力迫在眉睫. 飞网协同围捕技术作为无人机反制核心方案之一, 要求多无人机协同估计目标轨迹中心并自主编队完成捕获, 而分布式平均跟踪是实现该目标的关键理论. 本文针对此问题, 提出无需相对速度测量和变量初始化的集群无人机系统动态事件触发分布式平均跟踪算法; 理论分析证实, 该算法可实现分布式平均跟踪目标且闭环系统不存在芝诺现象; 最后以集群无人机跟踪非合作无人机集群为实例, 验证了算法的有效性与实用性.
摘要:
针对大规模网络化无人艇集群面临的通信资源受限、成员收益最大化问题, 提出一种基于边分组通信机制的博弈编队控制方案. 首先, 构造具有时变纳什均衡点的代价函数, 使编队成员能够通过动态博弈过程最大化自身收益, 并逐步形成期望的编队构型; 同时, 为每个成员设计分布式状态估计器, 以降低博弈过程对全局信息的依赖. 其次, 考虑大规模集群系统多边并发通信易导致信道拥塞、延迟、丢包等问题, 边分组通信机制将通信边划分成组, 并由各组自主生成相互交错的通信时间序列, 使各边通信错峰进行, 在各自的通信时刻避免竞争. 最后, 通过理论分析与数值仿真验证了所提控制方案的有效性与优越性.
针对大规模网络化无人艇集群面临的通信资源受限、成员收益最大化问题, 提出一种基于边分组通信机制的博弈编队控制方案. 首先, 构造具有时变纳什均衡点的代价函数, 使编队成员能够通过动态博弈过程最大化自身收益, 并逐步形成期望的编队构型; 同时, 为每个成员设计分布式状态估计器, 以降低博弈过程对全局信息的依赖. 其次, 考虑大规模集群系统多边并发通信易导致信道拥塞、延迟、丢包等问题, 边分组通信机制将通信边划分成组, 并由各组自主生成相互交错的通信时间序列, 使各边通信错峰进行, 在各自的通信时刻避免竞争. 最后, 通过理论分析与数值仿真验证了所提控制方案的有效性与优越性.
摘要:
肝脏肿瘤精准分割是计算机辅助诊断中的关键任务, 但现有深度学习方法高度依赖大规模像素级标注, 而医学图像标注需要专业放射科医生参与, 成本高且耗时, 限制了临床应用. 为此, 提出AutoSynth-Liver, 一种基于自回归模型的肝脏肿瘤合成增强框架. 该框架通过学习真实肿瘤的外观特征与空间分布规律, 生成多样化且逼真的合成肿瘤, 并自然融合到健康肝脏区域, 从而构建大量带精确标注的训练数据, 实现低标注条件下的高性能分割. 具体包括: 1)基于PixelCNN或VQ-VAE结合Transformer的自回归肿瘤生成模块, 用于建模肿瘤纹理与边界特征; 2)条件图像合成模块, 用于保证肿瘤融合的解剖学合理性; 3)混合监督分割训练模块, 通过联合使用合成数据与少量真实标注数据提升分割性能. 在LiTS17、3DIRCADb和CHAOS数据集上的实验表明, 仅使用合成数据训练时, AutoSynth-Liver的DSC即可达到66.2%, 相当于全监督方法(71.2%)的93.0%; 结合10%真实标注数据后, DSC提升至69.1%, 接近全监督水平. 同时, 该框架将人工标注工作量减少90%以上, 并在病灶检测率和体积测量等临床指标上达到可接受水平.
肝脏肿瘤精准分割是计算机辅助诊断中的关键任务, 但现有深度学习方法高度依赖大规模像素级标注, 而医学图像标注需要专业放射科医生参与, 成本高且耗时, 限制了临床应用. 为此, 提出AutoSynth-Liver, 一种基于自回归模型的肝脏肿瘤合成增强框架. 该框架通过学习真实肿瘤的外观特征与空间分布规律, 生成多样化且逼真的合成肿瘤, 并自然融合到健康肝脏区域, 从而构建大量带精确标注的训练数据, 实现低标注条件下的高性能分割. 具体包括: 1)基于PixelCNN或VQ-VAE结合Transformer的自回归肿瘤生成模块, 用于建模肿瘤纹理与边界特征; 2)条件图像合成模块, 用于保证肿瘤融合的解剖学合理性; 3)混合监督分割训练模块, 通过联合使用合成数据与少量真实标注数据提升分割性能. 在LiTS17、3DIRCADb和CHAOS数据集上的实验表明, 仅使用合成数据训练时, AutoSynth-Liver的DSC即可达到66.2%, 相当于全监督方法(71.2%)的93.0%; 结合10%真实标注数据后, DSC提升至69.1%, 接近全监督水平. 同时, 该框架将人工标注工作量减少90%以上, 并在病灶检测率和体积测量等临床指标上达到可接受水平.
摘要:
配电网高阻接地故障下, 故障初始电流微弱且常伴有非线性电弧, 暂态特征微弱, 短时内故障难以可靠辨识, 存在电气火灾与人身触电事故风险. 为此, 提出改进小波基与分尺度跨线路注意力融合的配电网高阻接地故障辨识方法. 建立分尺度特征跨线路辨识模型, 利用汉明窗滤波器抑制频谱泄漏, 提取具有高物理显著性的小波关键系数, 提升故障特征在信号中的对比度; 引入尺度内编码机制, 将长序列特征按尺度等效降维, 形成低维度嵌入向量; 构建分尺度跨线处理模型, 改进注意力机制, 显式捕捉故障线路与健全线路间的差异性, 提高配电网高阻接地故障的辨识准确率. 仿真实验表明, 所提方法相较其他模型, 高阻接地故障辨识准确率最高提升36.6%;动模实验和真型实验表明, 即使面对训练阶段未出现的新拓扑, 所提方法在真实链路情况下的辨识准确率仍超95%, 验证了该方法在真实工况环境下的适用性与一定的鲁棒性.
配电网高阻接地故障下, 故障初始电流微弱且常伴有非线性电弧, 暂态特征微弱, 短时内故障难以可靠辨识, 存在电气火灾与人身触电事故风险. 为此, 提出改进小波基与分尺度跨线路注意力融合的配电网高阻接地故障辨识方法. 建立分尺度特征跨线路辨识模型, 利用汉明窗滤波器抑制频谱泄漏, 提取具有高物理显著性的小波关键系数, 提升故障特征在信号中的对比度; 引入尺度内编码机制, 将长序列特征按尺度等效降维, 形成低维度嵌入向量; 构建分尺度跨线处理模型, 改进注意力机制, 显式捕捉故障线路与健全线路间的差异性, 提高配电网高阻接地故障的辨识准确率. 仿真实验表明, 所提方法相较其他模型, 高阻接地故障辨识准确率最高提升36.6%;动模实验和真型实验表明, 即使面对训练阶段未出现的新拓扑, 所提方法在真实链路情况下的辨识准确率仍超95%, 验证了该方法在真实工况环境下的适用性与一定的鲁棒性.
摘要:
实际工业数据因检测方式不同, 过程变量与质量指标往往采样速率各异, 受低采样率数据影响, 可有效利用的样本稀缺, 传统建模精度难以提升. 此外, 因过程响应特性及传感器部署分布差异使各过程变量相对最终产品质量指标存在不同程度时滞, 但实际现场无法进行阶跃测试使得过程时滞难以测量, 进一步增加了建模难度. 为此, 本文提出一种面向多速率难测时滞工业过程的质量指标建模方法, 该方法首先设计基于核Copula熵的数据依赖结构时滞估计方法, 通过核Copula熵定量分析过程数据依赖结构关联强度, 将时滞参数估计问题转化为寻找最大依赖结构关联度问题, 引入专家经验约束依赖结构寻优过程, 保证时滞参数符合工业现场情况并修正数据时序对应关系. 进一步, 提出一种多速率采样数据时空约束网络模型, 该模型通过融合数据的时序特性与空间关联性, 构建时序因果的邻近样本质量指标的时空距离相似度约束矩阵, 据此充分挖掘无质量指标标签样本信息辅助模型构建, 提升软测量建模精度, 并且证明了网络模型的收敛性. 最后, 基于数值仿真和实际磨矿数据工业实验验证了所提方法的可行性和有效性
实际工业数据因检测方式不同, 过程变量与质量指标往往采样速率各异, 受低采样率数据影响, 可有效利用的样本稀缺, 传统建模精度难以提升. 此外, 因过程响应特性及传感器部署分布差异使各过程变量相对最终产品质量指标存在不同程度时滞, 但实际现场无法进行阶跃测试使得过程时滞难以测量, 进一步增加了建模难度. 为此, 本文提出一种面向多速率难测时滞工业过程的质量指标建模方法, 该方法首先设计基于核Copula熵的数据依赖结构时滞估计方法, 通过核Copula熵定量分析过程数据依赖结构关联强度, 将时滞参数估计问题转化为寻找最大依赖结构关联度问题, 引入专家经验约束依赖结构寻优过程, 保证时滞参数符合工业现场情况并修正数据时序对应关系. 进一步, 提出一种多速率采样数据时空约束网络模型, 该模型通过融合数据的时序特性与空间关联性, 构建时序因果的邻近样本质量指标的时空距离相似度约束矩阵, 据此充分挖掘无质量指标标签样本信息辅助模型构建, 提升软测量建模精度, 并且证明了网络模型的收敛性. 最后, 基于数值仿真和实际磨矿数据工业实验验证了所提方法的可行性和有效性
摘要:
设计了高阶全驱系统的一种无模型控制器. 首先, 将无模型控制问题转化为不确定系统的输出反馈半全局镇定问题; 随后, 基于参量Lyapunov设计方法, 构造基于观测器的动态输出反馈. 进一步地, 阐明由原系统与观测器误差系统构成的增广闭环系统是一类弱耦合互联系统, 通过分析该系统特性, 完成闭环系统渐近稳定性与吸引域分析. 最后, 论证该输出反馈控制器构成高阶全驱系统的无模型控制器. 与传统基于模型的控制器相比, 所设计控制器不仅能够适应系统存在未建模动态及控制增益未知的情形, 还具有显式表达式, 且参数调节简便(对于n阶系统, 仅需调整3个参数). 通过船舶航向控制系统与柔性关节机械臂系统的仿真, 验证所设计无模型控制器的有效性.
设计了高阶全驱系统的一种无模型控制器. 首先, 将无模型控制问题转化为不确定系统的输出反馈半全局镇定问题; 随后, 基于参量Lyapunov设计方法, 构造基于观测器的动态输出反馈. 进一步地, 阐明由原系统与观测器误差系统构成的增广闭环系统是一类弱耦合互联系统, 通过分析该系统特性, 完成闭环系统渐近稳定性与吸引域分析. 最后, 论证该输出反馈控制器构成高阶全驱系统的无模型控制器. 与传统基于模型的控制器相比, 所设计控制器不仅能够适应系统存在未建模动态及控制增益未知的情形, 还具有显式表达式, 且参数调节简便(对于n阶系统, 仅需调整3个参数). 通过船舶航向控制系统与柔性关节机械臂系统的仿真, 验证所设计无模型控制器的有效性.
摘要:
随着航空航天、能源动力与智能制造等领域对结构安全与运行可靠性要求的不断提升, 缺陷无损检测的重要性日益凸显. 然而传统方法受限于固定采集、人工依赖及泛化能力不足等因素制约, 难以满足复杂场景下高精度效率与智能化的需求. 具身智能在智能体自主移动、多模态感知与闭环决策控制方面, 提供了新路径. 通过将环境感知与缺陷检测模块集成于智能体平台, 并结合物理建模及主动规划等算法, 可实现由被动采集向主动信息获取的转变, 显著提升检测的可达性、自主性与数据质量. 围绕这一范式, 系统梳理具身智能缺陷无损检测的概念内涵与整体组成框架, 从传感器体系、无人系统平台及核心算法三个层面构建统一技术体系, 并结合典型工作对不同具身载体下的实现路径进行综合分析. 在此基础上, 归纳当前该领域在复杂环境适应、多模态协同与自主决策等方面面临的关键挑战, 并对未来发展趋势进行展望, 为具身智能缺陷无损检测技术的进一步研究与工程应用提供系统性参考.
随着航空航天、能源动力与智能制造等领域对结构安全与运行可靠性要求的不断提升, 缺陷无损检测的重要性日益凸显. 然而传统方法受限于固定采集、人工依赖及泛化能力不足等因素制约, 难以满足复杂场景下高精度效率与智能化的需求. 具身智能在智能体自主移动、多模态感知与闭环决策控制方面, 提供了新路径. 通过将环境感知与缺陷检测模块集成于智能体平台, 并结合物理建模及主动规划等算法, 可实现由被动采集向主动信息获取的转变, 显著提升检测的可达性、自主性与数据质量. 围绕这一范式, 系统梳理具身智能缺陷无损检测的概念内涵与整体组成框架, 从传感器体系、无人系统平台及核心算法三个层面构建统一技术体系, 并结合典型工作对不同具身载体下的实现路径进行综合分析. 在此基础上, 归纳当前该领域在复杂环境适应、多模态协同与自主决策等方面面临的关键挑战, 并对未来发展趋势进行展望, 为具身智能缺陷无损检测技术的进一步研究与工程应用提供系统性参考.
摘要:
针对无人机集群在突发环境变化下易出现性能退化的问题, 提出一种基于动态性能均衡的元学习控制方法, 以实现集群系统高效、可靠的在线自适应协同控制. 首先, 基于无人机不确定动力学模型, 结合轨迹跟踪、集群协同与动态障碍物规避等多重约束, 构建一类能够有效抵御系统不确定性与外部扰动的自适应控制策略. 其次, 为解决瞬态响应与稳态精度之间的性能冲突, 并克服传统优化算法计算耗时高的局限, 构建元学习控制架构. 该方法通过离线训练习得具备强泛化能力的初始化参数, 使系统在线仅需利用少量历史数据和单步梯度更新, 即可实现毫秒级自适应并快速收敛至满足动态性能均衡要求的最优增益. 实验结果验证了该方法在动态障碍物及剧烈环境变化场景下的显著适应能力, 实现了兼具鲁棒性、安全性与高性能的协同控制.
针对无人机集群在突发环境变化下易出现性能退化的问题, 提出一种基于动态性能均衡的元学习控制方法, 以实现集群系统高效、可靠的在线自适应协同控制. 首先, 基于无人机不确定动力学模型, 结合轨迹跟踪、集群协同与动态障碍物规避等多重约束, 构建一类能够有效抵御系统不确定性与外部扰动的自适应控制策略. 其次, 为解决瞬态响应与稳态精度之间的性能冲突, 并克服传统优化算法计算耗时高的局限, 构建元学习控制架构. 该方法通过离线训练习得具备强泛化能力的初始化参数, 使系统在线仅需利用少量历史数据和单步梯度更新, 即可实现毫秒级自适应并快速收敛至满足动态性能均衡要求的最优增益. 实验结果验证了该方法在动态障碍物及剧烈环境变化场景下的显著适应能力, 实现了兼具鲁棒性、安全性与高性能的协同控制.
摘要:
情境化习题是联系数学概念与真实世界的重要载体, 对培养学生数学建模与应用能力具有关键作用. 然而, 现有基于大语言模型的习题编制方法容易使情境设计流于形式, 导致题干冗长花哨或偏离数学本质, 同时缺乏对学生认知差异的建模, 生成或改编而成的习题难以适配不同发展阶段. 因此, 提出一种基于多智能体协同与迭代优化策略的习题情境化改编框架, 以解决通用方法存在的情境失真、认知失配等困境. 该框架深度融合问题解决理论与教学支架理论, 首先定义多种类型的学生认知特征, 并系统梳理学生在解题各阶段可能出现的常见错误类型, 将其归因并映射为多种教学支架. 在此基础上, 构建包含习题生成、学生模拟与诊断、习题改进三大智能体的协同架构, 从教学支架视角为习题改进提供理论化、可操作的动作空间, 结合多种优化策略将情境化习题命制任务形式化为一个序列决策问题. 实验结果表明, 本框架改编形成的习题在情境相关、知识迁移、认知适配等方面均显著优于基线方法, 相关模块的设计在创设情境的同时能有效降低各类学生的非必要认知错误, 从而提升情境化习题质量, 以充分发挥其育人功能.
情境化习题是联系数学概念与真实世界的重要载体, 对培养学生数学建模与应用能力具有关键作用. 然而, 现有基于大语言模型的习题编制方法容易使情境设计流于形式, 导致题干冗长花哨或偏离数学本质, 同时缺乏对学生认知差异的建模, 生成或改编而成的习题难以适配不同发展阶段. 因此, 提出一种基于多智能体协同与迭代优化策略的习题情境化改编框架, 以解决通用方法存在的情境失真、认知失配等困境. 该框架深度融合问题解决理论与教学支架理论, 首先定义多种类型的学生认知特征, 并系统梳理学生在解题各阶段可能出现的常见错误类型, 将其归因并映射为多种教学支架. 在此基础上, 构建包含习题生成、学生模拟与诊断、习题改进三大智能体的协同架构, 从教学支架视角为习题改进提供理论化、可操作的动作空间, 结合多种优化策略将情境化习题命制任务形式化为一个序列决策问题. 实验结果表明, 本框架改编形成的习题在情境相关、知识迁移、认知适配等方面均显著优于基线方法, 相关模块的设计在创设情境的同时能有效降低各类学生的非必要认知错误, 从而提升情境化习题质量, 以充分发挥其育人功能.
摘要:
随着大规模视觉-语言预训练模型的不断发展, 零样本异常检测逐渐成为一个重要的研究方向. 该任务要求模型能够直接对类别未知的异常样本进行有效检测与定位, 而无需依赖目标领域的训练数据. 由于异常检测与异常定位任务分别需要全局和局部不同粒度的语义信息, 现有方法共享文本提示的设计使模型无法同时满足二者的需求, 导致性能难以兼顾. 为此, 提出一种基于文本解耦的零样本异常检测方法, 其核心是为两个任务分别设计独立的提示并进行优化. 同时, 针对模型在异常定位任务中跨数据集泛化能力较弱的问题, 提出了原型对齐模块. 该模块通过优化图像块特征与原型之间的距离, 提升模型的异常定位能力. 此外, 考虑到仅依赖图像的全局特征难以充分识别细微异常, 进一步设计了异常特征增强策略, 通过聚焦于潜在的异常区域以提升异常检测的性能. 实验结果表明, 所提出方法在MVTec AD、ISIC、BrainMRI等公开数据集上均取得了优良性能, 验证了其有效性与泛化能力.
随着大规模视觉-语言预训练模型的不断发展, 零样本异常检测逐渐成为一个重要的研究方向. 该任务要求模型能够直接对类别未知的异常样本进行有效检测与定位, 而无需依赖目标领域的训练数据. 由于异常检测与异常定位任务分别需要全局和局部不同粒度的语义信息, 现有方法共享文本提示的设计使模型无法同时满足二者的需求, 导致性能难以兼顾. 为此, 提出一种基于文本解耦的零样本异常检测方法, 其核心是为两个任务分别设计独立的提示并进行优化. 同时, 针对模型在异常定位任务中跨数据集泛化能力较弱的问题, 提出了原型对齐模块. 该模块通过优化图像块特征与原型之间的距离, 提升模型的异常定位能力. 此外, 考虑到仅依赖图像的全局特征难以充分识别细微异常, 进一步设计了异常特征增强策略, 通过聚焦于潜在的异常区域以提升异常检测的性能. 实验结果表明, 所提出方法在MVTec AD、ISIC、BrainMRI等公开数据集上均取得了优良性能, 验证了其有效性与泛化能力.
摘要:
人格特质作为个体在思想、情感和行为模式上独特且相对稳定的心理特征, 是理解和预测人类行为的重要维度. 多模态人格评分预测研究已成为心理学、社会学与计算科学交叉融合的前沿热点. 然而, 现有评分预测方法在捕捉个体稳定人格特质时, 常因行为表现中的非典型成分(如停顿、思考或环境噪声)而产生偏差, 影响了人格特质多维度评分预测的准确性. 针对这一问题, 受认知−情感人格系统(Cognitive-Affective Personality System, CAPS)理论启发, 提出一种多模态人格评分预测框架EBPNet(Emotion-Behavior-based Personality Network). 该框架充分利用社会情境对人格表现的调节作用, 通过构建上下文情境感知模块, 系统整合视频数据中的动态情境发展过程, 减少了非典型行为对人格特质评分预测的影响. 同时, 框架融合视觉大模型的细粒度情感分析能力, 精确提取情绪演变轨迹与微表情特征, 并与语音转录文本形成多类型数据的协同评分预测, 提升了对个体情感-行为时序模式的建模能力. 通过显式建模社会情境与多模态行为数据的交互关系, 该框架实现了人格特质的多维度评分预测. 实验结果表明, EBPNet在目前广泛认可的多模态人格分析数据集First Impressions V2上的表现优于现有基线模型, 验证了社会心理学启发的多维度评分预测方法的有效性.
人格特质作为个体在思想、情感和行为模式上独特且相对稳定的心理特征, 是理解和预测人类行为的重要维度. 多模态人格评分预测研究已成为心理学、社会学与计算科学交叉融合的前沿热点. 然而, 现有评分预测方法在捕捉个体稳定人格特质时, 常因行为表现中的非典型成分(如停顿、思考或环境噪声)而产生偏差, 影响了人格特质多维度评分预测的准确性. 针对这一问题, 受认知−情感人格系统(Cognitive-Affective Personality System, CAPS)理论启发, 提出一种多模态人格评分预测框架EBPNet(Emotion-Behavior-based Personality Network). 该框架充分利用社会情境对人格表现的调节作用, 通过构建上下文情境感知模块, 系统整合视频数据中的动态情境发展过程, 减少了非典型行为对人格特质评分预测的影响. 同时, 框架融合视觉大模型的细粒度情感分析能力, 精确提取情绪演变轨迹与微表情特征, 并与语音转录文本形成多类型数据的协同评分预测, 提升了对个体情感-行为时序模式的建模能力. 通过显式建模社会情境与多模态行为数据的交互关系, 该框架实现了人格特质的多维度评分预测. 实验结果表明, EBPNet在目前广泛认可的多模态人格分析数据集First Impressions V2上的表现优于现有基线模型, 验证了社会心理学启发的多维度评分预测方法的有效性.
摘要:
在机器人走向实际场景的过程中, 如何在严格满足安全约束的同时兼顾学习探索效率, 已成为制约智能机器人实用化的重要挑战.现有安全学习方法依赖固定控制增益参数的设计范式, 难以在训练过程中动态平衡探索效率与约束满足, 易导致过度保守或约束保持不足.为此, 提出一种面向安全-性能动态平衡的状态相关增益调度自适应 ATACOM 方法, 简称 SGA-ATACOM. 在保持 ATACOM 原有的约束流形切空间探索、解析约束保持和误差修正控制结构不变的基础上, 构建约束层与控制器层的双层在线调度机制. 其中, 约束层依据当前约束状态、变化趋势及短时预测结果, 自适应调节可行性约束参数; 控制器层结合约束残差与速度风险指标, 在线更新误差修正增益和速度可行域增益, 从而实现在风险指标较高时增强约束回拉与速度保护、在风险指标较低时释放更有效的探索空间的自适应协调. 为验证所提方法的有效性, 分别在 CircularMotion 任务和 Planar Air Hockey 机械臂任务上, 结合不同强化学习算法开展仿真实验. 实验结果表明, 该算法在不同任务场景和不同强化学习算法下均表现出良好的通用性, 能够在维持较低约束违反的同时取得更优的安全−性能平衡.消融实验进一步验证了约束层调度与控制器层调度的互补作用. 该算法为受约束强化学习中的安全−性能协同优化提供了一种具有几何可解释性和结构保持性的改进方案.
在机器人走向实际场景的过程中, 如何在严格满足安全约束的同时兼顾学习探索效率, 已成为制约智能机器人实用化的重要挑战.现有安全学习方法依赖固定控制增益参数的设计范式, 难以在训练过程中动态平衡探索效率与约束满足, 易导致过度保守或约束保持不足.为此, 提出一种面向安全-性能动态平衡的状态相关增益调度自适应 ATACOM 方法, 简称 SGA-ATACOM. 在保持 ATACOM 原有的约束流形切空间探索、解析约束保持和误差修正控制结构不变的基础上, 构建约束层与控制器层的双层在线调度机制. 其中, 约束层依据当前约束状态、变化趋势及短时预测结果, 自适应调节可行性约束参数; 控制器层结合约束残差与速度风险指标, 在线更新误差修正增益和速度可行域增益, 从而实现在风险指标较高时增强约束回拉与速度保护、在风险指标较低时释放更有效的探索空间的自适应协调. 为验证所提方法的有效性, 分别在 CircularMotion 任务和 Planar Air Hockey 机械臂任务上, 结合不同强化学习算法开展仿真实验. 实验结果表明, 该算法在不同任务场景和不同强化学习算法下均表现出良好的通用性, 能够在维持较低约束违反的同时取得更优的安全−性能平衡.消融实验进一步验证了约束层调度与控制器层调度的互补作用. 该算法为受约束强化学习中的安全−性能协同优化提供了一种具有几何可解释性和结构保持性的改进方案.
摘要:
本文对流形上的几何状态估计方法进行全面的梳理. 首先介绍流形上一般滤波器设计的思路, 然后从保持几何性质的观测器角度讨论流形空间中滤波器设计的思路以及带来的几何性质优势.流形上的几何状态估计器设计主要包括不变扩展卡尔曼滤波和等变滤波两个阶段.流形上的几何状态估计方法提供了一种通用的理论框架来进行滤波器设计, 通过灵活的群构造和群作用的选择, 可以针对不同观测类型设计保持系统几何结构的滤波器.在利用系统几何结构的基础上可以从根本上解决传统滤波器存在的不一致性问题, 并有望减少线性化误差, 从而提高了状态估计的精度和鲁棒性.最后本文对未来发展方向进行了展望.
本文对流形上的几何状态估计方法进行全面的梳理. 首先介绍流形上一般滤波器设计的思路, 然后从保持几何性质的观测器角度讨论流形空间中滤波器设计的思路以及带来的几何性质优势.流形上的几何状态估计器设计主要包括不变扩展卡尔曼滤波和等变滤波两个阶段.流形上的几何状态估计方法提供了一种通用的理论框架来进行滤波器设计, 通过灵活的群构造和群作用的选择, 可以针对不同观测类型设计保持系统几何结构的滤波器.在利用系统几何结构的基础上可以从根本上解决传统滤波器存在的不一致性问题, 并有望减少线性化误差, 从而提高了状态估计的精度和鲁棒性.最后本文对未来发展方向进行了展望.
摘要:
本文研究多智能体系统的避碰安全控制问题, 目标是在尽量保持标称控制性能的同时, 确保任意智能体对之间始终保持安全距离. 针对二阶系统中安全约束函数相对度为2、传统控制障碍函数难以直接施加控制约束的问题, 本文引入高阶控制障碍函数框架构造碰撞避免条件, 并将其转化为最小侵入的二次规划控制器. 进一步地, 利用安全约束项的对称性, 将原本耦合的不等式约束分解为各智能体可独立求解的线性约束. 在此基础上, 本文将所提方法推广至含有不确定项的多智能体系统, 设计鲁棒控制障碍函数及构建可实现的鲁棒控制器, 并证明了系统安全集的前向不变性. 数值仿真结果表明, 所提方法可使得系统保持安全性并维持良好的跟踪性能.
本文研究多智能体系统的避碰安全控制问题, 目标是在尽量保持标称控制性能的同时, 确保任意智能体对之间始终保持安全距离. 针对二阶系统中安全约束函数相对度为2、传统控制障碍函数难以直接施加控制约束的问题, 本文引入高阶控制障碍函数框架构造碰撞避免条件, 并将其转化为最小侵入的二次规划控制器. 进一步地, 利用安全约束项的对称性, 将原本耦合的不等式约束分解为各智能体可独立求解的线性约束. 在此基础上, 本文将所提方法推广至含有不确定项的多智能体系统, 设计鲁棒控制障碍函数及构建可实现的鲁棒控制器, 并证明了系统安全集的前向不变性. 数值仿真结果表明, 所提方法可使得系统保持安全性并维持良好的跟踪性能.
摘要:
为更好地利用人类经验并遵循人类意愿,提出一种引入人机共驾领导者的多农机容错协同编队控制方法. 首先,建立包含运动学和动力学的农机系统模型,其中领导者控制输入由驾驶员控制和驾驶辅助控制组成. 其次,结合预瞄等行为特征构建驾驶员控制模型,并基于模型预测控制设计领导者驾驶辅助控制系统,设计模糊规则动态调整驾驶员和辅助系统之间的控制权限. 然后,针对人机共驾领导者的控制输入未知的问题,基于对领导者横向速度和转向角的分布式估计,设计一种位置编队线性控制方法. 最后,通过仿真验证该方法的有效性.
为更好地利用人类经验并遵循人类意愿,提出一种引入人机共驾领导者的多农机容错协同编队控制方法. 首先,建立包含运动学和动力学的农机系统模型,其中领导者控制输入由驾驶员控制和驾驶辅助控制组成. 其次,结合预瞄等行为特征构建驾驶员控制模型,并基于模型预测控制设计领导者驾驶辅助控制系统,设计模糊规则动态调整驾驶员和辅助系统之间的控制权限. 然后,针对人机共驾领导者的控制输入未知的问题,基于对领导者横向速度和转向角的分布式估计,设计一种位置编队线性控制方法. 最后,通过仿真验证该方法的有效性.
摘要:
工业时间序列数据常伴随缺失、漂移等异常情况, 给准确预测带来挑战. 提出一种结合迁移学习的ESN-AR模型以应对这些问题. 具体而言, 将异常数据集作为目标域, 首先采用动态时间规整筛选源域数据. 不同于仅利用源域数据进行参数初始化的传统迁移学习方法, 将源域数据的自回归特征引入ESN储备池. 该储备池统一处理目标域与源域数据的状态更新, 使源域健康的趋势信息能够持续参与目标域的预测过程. 这一设计增强了对趋势信息的关注, 从而提高了模型在数据异常时的预测鲁棒性. 接着, 通过递归最小二乘法在线更新跨域共享的输出权重, 实现知识的有效迁移. 最后, 基于风电场风电功率数据的实验结果表明, 即使在数据漂移、缺失以及低相似度的情况下, 该方法仍能保持优异的预测性能.
工业时间序列数据常伴随缺失、漂移等异常情况, 给准确预测带来挑战. 提出一种结合迁移学习的ESN-AR模型以应对这些问题. 具体而言, 将异常数据集作为目标域, 首先采用动态时间规整筛选源域数据. 不同于仅利用源域数据进行参数初始化的传统迁移学习方法, 将源域数据的自回归特征引入ESN储备池. 该储备池统一处理目标域与源域数据的状态更新, 使源域健康的趋势信息能够持续参与目标域的预测过程. 这一设计增强了对趋势信息的关注, 从而提高了模型在数据异常时的预测鲁棒性. 接着, 通过递归最小二乘法在线更新跨域共享的输出权重, 实现知识的有效迁移. 最后, 基于风电场风电功率数据的实验结果表明, 即使在数据漂移、缺失以及低相似度的情况下, 该方法仍能保持优异的预测性能.
摘要:
针对一类带有全局耦合等式约束的分布式非合作博弈问题, 提出一种适用于二阶多智能体系统的预设时间分布式寻优算法. 研究目标是确保在强连通有向图拓扑下, 所有智能体能在预设时间内协同收敛至广义纳什均衡. 为克服通信拓扑权重不平衡带来的系统偏差, 算法采用两阶段收敛策略: 第一阶段利用一致性机制精确估计拉普拉斯矩阵的左特征向量, 实现拓扑补偿; 第二阶段通过引入阻尼项保障二阶积分型系统的可控性, 并结合拉格朗日乘子法处理全局约束, 同时利用基于领导−跟随一致性协议的估计器重构对手的决策信息, 以实现伪梯度的分布式更新. 此外, 针对权重平衡有向图这一特殊情形, 给出算法的简化实现形式. 在博弈映射满足强单调性假设下, 通过引入时间变换函数并构造新型李雅普诺夫函数, 从理论上严格证明系统能够在预设时间内收敛至广义纳什均衡, 并确保收敛后的持续稳定性. 最后, 数值仿真实验验证了算法在不同拓扑结构下的有效性与收敛精度.
针对一类带有全局耦合等式约束的分布式非合作博弈问题, 提出一种适用于二阶多智能体系统的预设时间分布式寻优算法. 研究目标是确保在强连通有向图拓扑下, 所有智能体能在预设时间内协同收敛至广义纳什均衡. 为克服通信拓扑权重不平衡带来的系统偏差, 算法采用两阶段收敛策略: 第一阶段利用一致性机制精确估计拉普拉斯矩阵的左特征向量, 实现拓扑补偿; 第二阶段通过引入阻尼项保障二阶积分型系统的可控性, 并结合拉格朗日乘子法处理全局约束, 同时利用基于领导−跟随一致性协议的估计器重构对手的决策信息, 以实现伪梯度的分布式更新. 此外, 针对权重平衡有向图这一特殊情形, 给出算法的简化实现形式. 在博弈映射满足强单调性假设下, 通过引入时间变换函数并构造新型李雅普诺夫函数, 从理论上严格证明系统能够在预设时间内收敛至广义纳什均衡, 并确保收敛后的持续稳定性. 最后, 数值仿真实验验证了算法在不同拓扑结构下的有效性与收敛精度.
摘要:
本文研究大规模变频空调集群参与需求响应中的最优功率调度问题. 针对现有研究侧重运行经济性最优, 忽略用户舒适需求、快速动态响应能力及用户满意度等关键工程因素的不足, 构建了兼顾舒适约束与动态性能的优化调度框架. 为刻画用户舒适需求, 基于实时室内温度、设定温度及可容许温度偏差构建统一的用户舒适指标, 实现舒适水平的定量表征. 基于此, 提出一种预定义时间最优调度策略, 通过协调各空调单元功率消耗, 确保在满足用户舒适约束的前提下, 集群总功率于预定义时间内精确跟踪需求功率并实现用户满意度最优. 进一步地, 将该方法扩展至阶跃需求情形, 以增强对动态需求目标的适应能力. 最后, 基于李雅普诺夫理论证明了系统收敛性, 数值仿真验证了所提方法的有效性与工程可行性.
本文研究大规模变频空调集群参与需求响应中的最优功率调度问题. 针对现有研究侧重运行经济性最优, 忽略用户舒适需求、快速动态响应能力及用户满意度等关键工程因素的不足, 构建了兼顾舒适约束与动态性能的优化调度框架. 为刻画用户舒适需求, 基于实时室内温度、设定温度及可容许温度偏差构建统一的用户舒适指标, 实现舒适水平的定量表征. 基于此, 提出一种预定义时间最优调度策略, 通过协调各空调单元功率消耗, 确保在满足用户舒适约束的前提下, 集群总功率于预定义时间内精确跟踪需求功率并实现用户满意度最优. 进一步地, 将该方法扩展至阶跃需求情形, 以增强对动态需求目标的适应能力. 最后, 基于李雅普诺夫理论证明了系统收敛性, 数值仿真验证了所提方法的有效性与工程可行性.
摘要:
大气湍流是由大气折射率随机起伏引起的复杂光学退化现象, 通常导致成像过程中产生几何畸变、模糊及闪烁等问题, 严重制约远距离成像系统的视觉质量与机器感知性能. 本文系统综述基于深度学习的大气湍流抑制研究, 详细探讨基于卷积神经网络、生成对抗网络、Transformer、扩散模型以及 Mamba 的多种核心方法, 并从建模能力、鲁棒性与计算效率等方面对各类代表性方法进行对比分析. 最后, 围绕复杂场景、实时处理、高分辨率成像等关键问题进行总结与展望, 为未来研究提供参考.
大气湍流是由大气折射率随机起伏引起的复杂光学退化现象, 通常导致成像过程中产生几何畸变、模糊及闪烁等问题, 严重制约远距离成像系统的视觉质量与机器感知性能. 本文系统综述基于深度学习的大气湍流抑制研究, 详细探讨基于卷积神经网络、生成对抗网络、Transformer、扩散模型以及 Mamba 的多种核心方法, 并从建模能力、鲁棒性与计算效率等方面对各类代表性方法进行对比分析. 最后, 围绕复杂场景、实时处理、高分辨率成像等关键问题进行总结与展望, 为未来研究提供参考.
摘要:
矿物磨选过程运行优化控制通常采用基础回路层和运行层双层结构, 涉及不同时间尺度被控对象, 其运行层动态机理复杂难以建模, 且层级间具有不同采样速率与通信丢包问题, 进一步增加了控制设计难度. 因此, 针对矿物磨选过程运行优化中存在的多速率、不可靠通信问题, 提出一种带有通信补偿的多速率分层学习控制方法. 该方法在基础回路层采用提升技术和模型预测控制实现多速率下的设定值跟踪; 在此基础上, 通过递归提升将回路动态引入运行层, 采用强化学习技术, 结合史密斯预估器的思想, 设计带有通信补偿的快慢耦合逆学习控制算法, 以解决性能指标权重参数依赖人工经验设定、调参困难的问题, 利用演示运行数据逆向学习性能指标权重参数的同时在线更新回路设定值, 进而实现运行指标的优化控制. 理论分析和工业应用验证了所提方法的有效性.
矿物磨选过程运行优化控制通常采用基础回路层和运行层双层结构, 涉及不同时间尺度被控对象, 其运行层动态机理复杂难以建模, 且层级间具有不同采样速率与通信丢包问题, 进一步增加了控制设计难度. 因此, 针对矿物磨选过程运行优化中存在的多速率、不可靠通信问题, 提出一种带有通信补偿的多速率分层学习控制方法. 该方法在基础回路层采用提升技术和模型预测控制实现多速率下的设定值跟踪; 在此基础上, 通过递归提升将回路动态引入运行层, 采用强化学习技术, 结合史密斯预估器的思想, 设计带有通信补偿的快慢耦合逆学习控制算法, 以解决性能指标权重参数依赖人工经验设定、调参困难的问题, 利用演示运行数据逆向学习性能指标权重参数的同时在线更新回路设定值, 进而实现运行指标的优化控制. 理论分析和工业应用验证了所提方法的有效性.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c260096
摘要:
具身学习通过智能体与环境的主动交互与数据采集, 结合模型迭代更新, 实现自主智能. 然而, 随着环境复杂度和任务规模增加, 传统单智能体方法面临数据采集效率低、样本利用效率低、训练效率低等瓶颈, 严重制约了系统可扩展性. 针对上述问题, 提出一种云边协同的多智能体具身学习框架, 充分利用视觉?语言模型的高级推理能力, 在无需额外训练的前提下实现多智能体高效在线探索与协同数据采集. 具体地, 各智能体通过视觉?语言模型对观测数据及感知信息进行解析, 构建融合语义与空间状态的好奇心地图, 以指导短期目标选择, 实现语义驱动的高价值区域利用与空间驱动的未知区域探索的协同推进; 在短期探索任务完成后, 智能体能够基于全局空间状态与共享语义信息开展长期探索规划, 以保障探索的全面性与战略性. 所有智能体完成全场景探索后, 边缘端利用采集数据进行本地模型训练, 并将更新参数和少量数据上传云端, 由云端进行多源知识聚合, 生成全局优化模型. 实验结果表明, 所提方法显著优于基线方法, 为大规模复杂环境下多机器人自主智能学习提供新的有效范式.
具身学习通过智能体与环境的主动交互与数据采集, 结合模型迭代更新, 实现自主智能. 然而, 随着环境复杂度和任务规模增加, 传统单智能体方法面临数据采集效率低、样本利用效率低、训练效率低等瓶颈, 严重制约了系统可扩展性. 针对上述问题, 提出一种云边协同的多智能体具身学习框架, 充分利用视觉?语言模型的高级推理能力, 在无需额外训练的前提下实现多智能体高效在线探索与协同数据采集. 具体地, 各智能体通过视觉?语言模型对观测数据及感知信息进行解析, 构建融合语义与空间状态的好奇心地图, 以指导短期目标选择, 实现语义驱动的高价值区域利用与空间驱动的未知区域探索的协同推进; 在短期探索任务完成后, 智能体能够基于全局空间状态与共享语义信息开展长期探索规划, 以保障探索的全面性与战略性. 所有智能体完成全场景探索后, 边缘端利用采集数据进行本地模型训练, 并将更新参数和少量数据上传云端, 由云端进行多源知识聚合, 生成全局优化模型. 实验结果表明, 所提方法显著优于基线方法, 为大规模复杂环境下多机器人自主智能学习提供新的有效范式.
摘要:
随着大语言模型的发展, 多智能体虚拟课堂正成为低风险教学实验与策略验证的重要工具. 然而, 现有方法往往忽视真实课堂中的话语结构、学生潜在状态与同伴交互机制, 缺乏对教学互动真实性及干预效果的系统建模与评估. 为此, 提出IRF-Smi框架: 以发起–应答–反馈话语链条约束教学对话, 结合第一视角潜在状态建模与小世界社交网络, 刻画师生行为的动态演化及同伴影响. 同时构建教学互动真实性评测基准, 并采用Pearson相关系数、组内相关系数及平均绝对误差对模拟结果进行量化评估. 在50节K-12课堂数据上的实验表明, IRF-Smi相比AutoGen与MetaGPT在师生行为分布一致性方面表现更优; 此外, 游戏化教学策略带来显著收益, 验证了该框架用于教学机制研究与智能体行为验证的潜力.
随着大语言模型的发展, 多智能体虚拟课堂正成为低风险教学实验与策略验证的重要工具. 然而, 现有方法往往忽视真实课堂中的话语结构、学生潜在状态与同伴交互机制, 缺乏对教学互动真实性及干预效果的系统建模与评估. 为此, 提出IRF-Smi框架: 以发起–应答–反馈话语链条约束教学对话, 结合第一视角潜在状态建模与小世界社交网络, 刻画师生行为的动态演化及同伴影响. 同时构建教学互动真实性评测基准, 并采用Pearson相关系数、组内相关系数及平均绝对误差对模拟结果进行量化评估. 在50节K-12课堂数据上的实验表明, IRF-Smi相比AutoGen与MetaGPT在师生行为分布一致性方面表现更优; 此外, 游戏化教学策略带来显著收益, 验证了该框架用于教学机制研究与智能体行为验证的潜力.
摘要:
针对多无人机在多重约束下的协同任务分配问题, 提出一种面向多无人机协同任务分配的多策略融合海鸥优化算法(MFSOA). 该算法由时间代价、能耗代价、负载均衡、任务时序及多约束条件构建多无人机协同任务分配目标优化模型. 为提升算法寻优效率, 采用Tent混沌映射增强种群多样性, 结合精英进化策略优化迭代过程中的种群质量; 通过设计多方向自适应迁徙策略增强算法全局寻优能力, 避免算法陷入局部最优; 构建基于精英个体的攻击策略平衡算法的全局探索与局部开发能力, 提升算法的寻优稳定性. 实验结果表明, MFSOA在多场景下均表现出优异的综合性能, 其寻优能力相较对比算法提升约3%~13%, 验证了该算法求解多无人机协同任务分配问题的有效性与可靠性.
针对多无人机在多重约束下的协同任务分配问题, 提出一种面向多无人机协同任务分配的多策略融合海鸥优化算法(MFSOA). 该算法由时间代价、能耗代价、负载均衡、任务时序及多约束条件构建多无人机协同任务分配目标优化模型. 为提升算法寻优效率, 采用Tent混沌映射增强种群多样性, 结合精英进化策略优化迭代过程中的种群质量; 通过设计多方向自适应迁徙策略增强算法全局寻优能力, 避免算法陷入局部最优; 构建基于精英个体的攻击策略平衡算法的全局探索与局部开发能力, 提升算法的寻优稳定性. 实验结果表明, MFSOA在多场景下均表现出优异的综合性能, 其寻优能力相较对比算法提升约3%~13%, 验证了该算法求解多无人机协同任务分配问题的有效性与可靠性.
摘要:
在工业4.0时代, 大语言模型向工业边缘异构集群的迁移已成为一项关键技术挑战.边缘设备计算与存储资源受限、动态负载波动、异构架构复杂以及网络高延迟等特性, 使得传统推理框架难以满足工业场景对实时性、鲁棒性和隐私保护的需求.提出一种动态弹性推理框架(Dynama), 设计全域心跳被动感知器和实时弹性量化调度算法.该框架采用管道环并行结构, 实现模型层动态分配与懒加载; 通过被动监测设备延迟向量, 触发实时弹性量化调度算法在不改变层分配前提下优化量化版本, 平衡延迟最小化和精度损失. Dynama通过优化数据传输与量化策略, 显著提升高延迟网络环境下的推理效率, 适应工业边缘的动态环境变化.实验结果表明, Dynama在工业边缘异构集群中展现出优异的实时性与鲁棒性, 为工业智能的落地应用提供高效、可靠的解决方案.
在工业4.0时代, 大语言模型向工业边缘异构集群的迁移已成为一项关键技术挑战.边缘设备计算与存储资源受限、动态负载波动、异构架构复杂以及网络高延迟等特性, 使得传统推理框架难以满足工业场景对实时性、鲁棒性和隐私保护的需求.提出一种动态弹性推理框架(Dynama), 设计全域心跳被动感知器和实时弹性量化调度算法.该框架采用管道环并行结构, 实现模型层动态分配与懒加载; 通过被动监测设备延迟向量, 触发实时弹性量化调度算法在不改变层分配前提下优化量化版本, 平衡延迟最小化和精度损失. Dynama通过优化数据传输与量化策略, 显著提升高延迟网络环境下的推理效率, 适应工业边缘的动态环境变化.实验结果表明, Dynama在工业边缘异构集群中展现出优异的实时性与鲁棒性, 为工业智能的落地应用提供高效、可靠的解决方案.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c190277
摘要:
首先, 通过分析黑体温度控制系统的物理模型, 推演出黑体传递函数的表达式.推演过程中得知黑体易受环境温度和空气散热的影响, 所以黑体温度控制系统是个非线性时变系统.结合实验黑体的阶跃响应数据, 采用阶跃响应法对传递函数进行近似计算, 得出黑体温控系统的传递函数是极点在左半轴的二阶系统, 该系统等效于二阶低通滤波器.经过低通滤波器的信号, 会滤除高频部分, 当用继电器法进行参数自整定时, 仅需计算能量较大的基波信号.通过对基波信号进行比较, 得出继电器法的整定公式, 并参照Ziegler-Nichols整定法则计算出PID参数.同时, 本文针对黑体加热器具有双路输出的特点, 提出了一种双路动态输出法, 通过理论分析了该方法可以消除环境对黑体温度的影响.对于环境温度变化较大的, 采用继电器法PID参数自整定的方式来消除; 对于黑体运行过程中环境温度变化较小的, 采用双路动态输出法来减少影响.最后, 结合实验数据, 引入性能指标, 验证了本文所述方法对黑体的温度控制性能有一定的提升.
首先, 通过分析黑体温度控制系统的物理模型, 推演出黑体传递函数的表达式.推演过程中得知黑体易受环境温度和空气散热的影响, 所以黑体温度控制系统是个非线性时变系统.结合实验黑体的阶跃响应数据, 采用阶跃响应法对传递函数进行近似计算, 得出黑体温控系统的传递函数是极点在左半轴的二阶系统, 该系统等效于二阶低通滤波器.经过低通滤波器的信号, 会滤除高频部分, 当用继电器法进行参数自整定时, 仅需计算能量较大的基波信号.通过对基波信号进行比较, 得出继电器法的整定公式, 并参照Ziegler-Nichols整定法则计算出PID参数.同时, 本文针对黑体加热器具有双路输出的特点, 提出了一种双路动态输出法, 通过理论分析了该方法可以消除环境对黑体温度的影响.对于环境温度变化较大的, 采用继电器法PID参数自整定的方式来消除; 对于黑体运行过程中环境温度变化较小的, 采用双路动态输出法来减少影响.最后, 结合实验数据, 引入性能指标, 验证了本文所述方法对黑体的温度控制性能有一定的提升.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.c200007
摘要:
仿人智能控制是现代智能控制理论之一, 利用分层递阶的控制结构与多控制模态为强非线性、大迟滞、难建模问题提供了切实可行的解决方案, 近些年来发展迅速并且得到学术界的持续关注, 但缺乏对该理论研究进展系统性的总结. 本文通过系统的梳理仿人智能控制的理论基础和发展脉络, 将其划分为三代控制模型, 分别从每一代控制模型的算法描述、研究进展与应用进展三个角度进行综述, 同时, 结合当前的研究进展讨论仿人智能控制在控制模型、结构功能、参数校正方面进一步研究的方向.
仿人智能控制是现代智能控制理论之一, 利用分层递阶的控制结构与多控制模态为强非线性、大迟滞、难建模问题提供了切实可行的解决方案, 近些年来发展迅速并且得到学术界的持续关注, 但缺乏对该理论研究进展系统性的总结. 本文通过系统的梳理仿人智能控制的理论基础和发展脉络, 将其划分为三代控制模型, 分别从每一代控制模型的算法描述、研究进展与应用进展三个角度进行综述, 同时, 结合当前的研究进展讨论仿人智能控制在控制模型、结构功能、参数校正方面进一步研究的方向.
当前状态:
, 最新更新时间: ,
doi: 10.16383/j.aas.2020.c200033
摘要:
深度神经网络在解决复杂问题方面取得了惊人的成功, 广泛应用于生活中各个领域, 但是最近的研究表明, 深度神经网络容易受到精心设计的对抗样本的攻击, 导致网络模型输出错误的预测结果, 这对于深度学习网络的安全性是一种极大的挑战. 对抗攻击是深度神经网络发展过程中必须克服的一大障碍, 设计一种高效且能够防御多种对抗攻击算法, 且具有强鲁棒性的防御模型是有效推动对抗攻击防御的方向之一, 探究能否利用对抗性攻击来训练网络分类器从而提高其鲁棒性具有重要意义. 本文将生成对抗网络(Generative adversarial networks, GAN)和现有的攻击算法结合, 提出一种基于生成对抗网络的对抗攻击防御模型(AC-DefGAN), 利用对抗攻击算法生成攻击样本作为GAN的训练样本, 同时在网络中加入条件约束来稳定模型的训练过程, 利用分类器对生成器所生成样本的分类来指导GAN的训练过程, 通过自定义分类器需要防御的攻击算法来生成对抗样本以完成判别器的训练, 从而得到能够防御多种对抗攻击的分类器. 通过在MNIST、CIFAR-10和ImageNet数据集上进行实验, 证明训练完成后, AC-DefGAN可以直接对原始样本和对抗样本进行正确分类, 对各类对抗攻击算法达到很好的防御效果, 且比已有方法防御效果好、鲁棒性强.
深度神经网络在解决复杂问题方面取得了惊人的成功, 广泛应用于生活中各个领域, 但是最近的研究表明, 深度神经网络容易受到精心设计的对抗样本的攻击, 导致网络模型输出错误的预测结果, 这对于深度学习网络的安全性是一种极大的挑战. 对抗攻击是深度神经网络发展过程中必须克服的一大障碍, 设计一种高效且能够防御多种对抗攻击算法, 且具有强鲁棒性的防御模型是有效推动对抗攻击防御的方向之一, 探究能否利用对抗性攻击来训练网络分类器从而提高其鲁棒性具有重要意义. 本文将生成对抗网络(Generative adversarial networks, GAN)和现有的攻击算法结合, 提出一种基于生成对抗网络的对抗攻击防御模型(AC-DefGAN), 利用对抗攻击算法生成攻击样本作为GAN的训练样本, 同时在网络中加入条件约束来稳定模型的训练过程, 利用分类器对生成器所生成样本的分类来指导GAN的训练过程, 通过自定义分类器需要防御的攻击算法来生成对抗样本以完成判别器的训练, 从而得到能够防御多种对抗攻击的分类器. 通过在MNIST、CIFAR-10和ImageNet数据集上进行实验, 证明训练完成后, AC-DefGAN可以直接对原始样本和对抗样本进行正确分类, 对各类对抗攻击算法达到很好的防御效果, 且比已有方法防御效果好、鲁棒性强.
