当期目录
2026, 52(3): 363-380.
doi: 10.16383/j.aas.c250326
cstr: 32138.14.j.aas.c250326
摘要:
围绕下一代空间基础设施体系建设的重大战略需求, 针对复杂任务下卫星集群的态势认知与安全控制技术展开探讨. 首先, 分析国内外卫星集群的发展现状与面临挑战, 指出当前研究在理论体系完备性、感知信息全面性、评估可信度、决策合理性及执行精准性等方面存在不足. 其次, 重点阐述星群OODA体系架构, 分别探讨感知、评估、决策与执行各环节的关键技术与研究进展. 最后, 对星群态势认知与安全控制技术的未来发展进行展望, 提出需构建能力量化表征模型, 发展多源信息交互与融合的态势全面感知、内外因素耦合影响下的可信评估以及动态场景下的快速合理决策和多目标跨尺度任务的精准执行, 以提升星群自主安全运行能力, 为下一代空间基础设施建设提供理论和技术基础.
围绕下一代空间基础设施体系建设的重大战略需求, 针对复杂任务下卫星集群的态势认知与安全控制技术展开探讨. 首先, 分析国内外卫星集群的发展现状与面临挑战, 指出当前研究在理论体系完备性、感知信息全面性、评估可信度、决策合理性及执行精准性等方面存在不足. 其次, 重点阐述星群OODA体系架构, 分别探讨感知、评估、决策与执行各环节的关键技术与研究进展. 最后, 对星群态势认知与安全控制技术的未来发展进行展望, 提出需构建能力量化表征模型, 发展多源信息交互与融合的态势全面感知、内外因素耦合影响下的可信评估以及动态场景下的快速合理决策和多目标跨尺度任务的精准执行, 以提升星群自主安全运行能力, 为下一代空间基础设施建设提供理论和技术基础.
2026, 52(3): 381-410.
doi: 10.16383/j.aas.c250422
cstr: 32138.14.j.aas.c250422
摘要:
视觉作为强化学习智能体感知环境的主要途径, 能够提供丰富的细节信息, 从而支持智能体实现更复杂、精准的决策. 然而, 视觉数据的高维特性易导致信息冗余与样本效率低下, 成为强化学习应用中的关键挑战. 如何在有限交互数据中高效提取关键视觉表征, 提升智能体决策能力, 已成为当前研究热点. 为此, 系统梳理视觉强化学习方法, 依据核心思想与实现机制, 将其归纳为五类: 图像增强型、模型增强型、任务辅助型、知识迁移型以及离线视觉强化学习, 深入分析各类方法的研究进展及代表性工作的优势与局限. 同时, 综述DMControl、DMControl-GB、DCS和RL-ViGen四大主流基准平台, 总结视觉强化学习在机器人控制、自动驾驶以及多模态大模型等典型场景中的应用实践. 最后, 结合当前研究瓶颈, 探讨未来发展趋势与潜在研究方向, 以期为该领域提供清晰的技术脉络与研究参考.
视觉作为强化学习智能体感知环境的主要途径, 能够提供丰富的细节信息, 从而支持智能体实现更复杂、精准的决策. 然而, 视觉数据的高维特性易导致信息冗余与样本效率低下, 成为强化学习应用中的关键挑战. 如何在有限交互数据中高效提取关键视觉表征, 提升智能体决策能力, 已成为当前研究热点. 为此, 系统梳理视觉强化学习方法, 依据核心思想与实现机制, 将其归纳为五类: 图像增强型、模型增强型、任务辅助型、知识迁移型以及离线视觉强化学习, 深入分析各类方法的研究进展及代表性工作的优势与局限. 同时, 综述DMControl、DMControl-GB、DCS和RL-ViGen四大主流基准平台, 总结视觉强化学习在机器人控制、自动驾驶以及多模态大模型等典型场景中的应用实践. 最后, 结合当前研究瓶颈, 探讨未来发展趋势与潜在研究方向, 以期为该领域提供清晰的技术脉络与研究参考.
2026, 52(3): 411-429.
doi: 10.16383/j.aas.c250312
cstr: 32138.14.j.aas.c250312
摘要:
人群移动是影响城市公共安全及应急管理的重要因素, 如何对其进行高精度的建模仿真和有效干预是亟待解决的问题. 为此, 提出一种物理信息机器学习驱动的微观人群移动建模仿真与干预决策框架. 基于平行智能思想, 该框架构建“数据感知−融合建模−动态仿真−智能干预”四层闭环结构, 形成从建模仿真到策略生成、执行及反馈修正的完整链路. 针对人群的移动仿真与引导决策问题, 分别提出基于物理信息时空图卷积网络的导航势能场模型和物理信息多智能体深度确定性策略梯度算法, 有效解决了传统方法中模型准确性较差、仿真与干预孤立以及决策依赖人工经验的问题. 最后, 基于真实数据集开展仿真实验验证了所提框架的有效性.
人群移动是影响城市公共安全及应急管理的重要因素, 如何对其进行高精度的建模仿真和有效干预是亟待解决的问题. 为此, 提出一种物理信息机器学习驱动的微观人群移动建模仿真与干预决策框架. 基于平行智能思想, 该框架构建“数据感知−融合建模−动态仿真−智能干预”四层闭环结构, 形成从建模仿真到策略生成、执行及反馈修正的完整链路. 针对人群的移动仿真与引导决策问题, 分别提出基于物理信息时空图卷积网络的导航势能场模型和物理信息多智能体深度确定性策略梯度算法, 有效解决了传统方法中模型准确性较差、仿真与干预孤立以及决策依赖人工经验的问题. 最后, 基于真实数据集开展仿真实验验证了所提框架的有效性.
2026, 52(3): 430-440.
doi: 10.16383/j.aas.c250506
cstr: 32138.14.j.aas.c250506
摘要:
针对介入导航场景中的导丝轨迹重建问题, 提出一种保持因果性的序列估计方法. 不同于通用循环基线模型, 所提方法将序列级常量特征 (包括导丝刚度、进入角度和有效摩擦描述符) 按时间步广播, 与动态几何量(中心线坐标、直径等)拼接, 经两层特征编码后由单向门控循环单元解码器逐时输出二维坐标. 为处理变长序列, 本文采用时间步长分类的训练策略, 并结合掩码损失函数, 以抑制填充引入的无效梯度, 在不改变网络结构的前提下提升训练与推理效率. 基于覆盖多类导丝与多进入角度的仿体实验平台, 所提方法在保持因果性的同时, 实现0.40 ~ 0.54 mm的位置误差范围(平均误差为0.46 mm); 相较于未采用时间步分类策略的基线模型, 收敛epoch降低42%, 训练时间降低52%, 单次推理时延降低51%. 结果表明, 该方法可为导丝轨迹估计与术中导航提供可部署的算法基础.
针对介入导航场景中的导丝轨迹重建问题, 提出一种保持因果性的序列估计方法. 不同于通用循环基线模型, 所提方法将序列级常量特征 (包括导丝刚度、进入角度和有效摩擦描述符) 按时间步广播, 与动态几何量(中心线坐标、直径等)拼接, 经两层特征编码后由单向门控循环单元解码器逐时输出二维坐标. 为处理变长序列, 本文采用时间步长分类的训练策略, 并结合掩码损失函数, 以抑制填充引入的无效梯度, 在不改变网络结构的前提下提升训练与推理效率. 基于覆盖多类导丝与多进入角度的仿体实验平台, 所提方法在保持因果性的同时, 实现0.40 ~ 0.54 mm的位置误差范围(平均误差为0.46 mm); 相较于未采用时间步分类策略的基线模型, 收敛epoch降低42%, 训练时间降低52%, 单次推理时延降低51%. 结果表明, 该方法可为导丝轨迹估计与术中导航提供可部署的算法基础.
2026, 52(3): 441-450.
doi: 10.16383/j.aas.c250347
cstr: 32138.14.j.aas.c250347
摘要:
基于场景的测试方法是验证自动驾驶系统安全性的主流手段, 然而逻辑场景使用参数空间的形式对场景进行描述, 当被测系统性能存在差异时, 第三方检测机构难以使用同样的测试用例在保证测试公平性的同时兼顾测试覆盖率. 为此, 提出一种基于测试用例代表性的自动驾驶系统逻辑场景全覆盖测试用例生成方法. 首先建立自动驾驶系统全覆盖测试用例生成框架; 其次提出综合分析自然驾驶概率分布及危险情况的测试用例代表性量化评价方法; 最后开发一种基于热度驱动层次贪心算法和遗传算法的差异化样本组合空间全覆盖问题优化求解方法, 获取测试用例参数组合, 实现逻辑场景参数空间全覆盖. 使用前车切入场景对提出的方法进行验证. 结果表明, 提出的方法在逻辑场景参数空间覆盖率(100%)、测试边界拟合误差(0.08)方面均显著优于当前主流的蒙特卡洛方法(覆盖率84.3%、拟合误差0.19)与组合测试方法(覆盖率86.5%、拟合误差0.14), 可有效帮助检测机构建设公平、高效的测试场景生成框架.
基于场景的测试方法是验证自动驾驶系统安全性的主流手段, 然而逻辑场景使用参数空间的形式对场景进行描述, 当被测系统性能存在差异时, 第三方检测机构难以使用同样的测试用例在保证测试公平性的同时兼顾测试覆盖率. 为此, 提出一种基于测试用例代表性的自动驾驶系统逻辑场景全覆盖测试用例生成方法. 首先建立自动驾驶系统全覆盖测试用例生成框架; 其次提出综合分析自然驾驶概率分布及危险情况的测试用例代表性量化评价方法; 最后开发一种基于热度驱动层次贪心算法和遗传算法的差异化样本组合空间全覆盖问题优化求解方法, 获取测试用例参数组合, 实现逻辑场景参数空间全覆盖. 使用前车切入场景对提出的方法进行验证. 结果表明, 提出的方法在逻辑场景参数空间覆盖率(100%)、测试边界拟合误差(0.08)方面均显著优于当前主流的蒙特卡洛方法(覆盖率84.3%、拟合误差0.19)与组合测试方法(覆盖率86.5%、拟合误差0.14), 可有效帮助检测机构建设公平、高效的测试场景生成框架.
2026, 52(3): 451-462.
doi: 10.16383/j.aas.c250268
cstr: 32138.14.j.aas.c250268
摘要:
轨道追逃博弈中逃逸策略的高度未知性与行为多样性, 给追踪策略的泛化能力带来严峻挑战. 深度强化学习虽可提升追踪星的博弈效能, 但当逃逸策略偏离训练分布时, 策略网络易产生次优甚至失效的决策. 为此, 提出一种基于行为预测和策略融合的轨道博弈决策方法. 在训练阶段, 首先采用“预测制导 + 人工势场法”构建多样化逃逸策略集. 随后在传统演员−评论家训练框架的基础上, 通过引入预测网络构建预测器−演员−评论家算法, 针对每类逃逸策略分别训练以获得对应的追踪子策略. 其中预测网络用于估计逃逸星动作, 并通过预测结果与真实动作的相似性衡量子策略与未知逃逸策略的匹配度. 在执行阶段, 策略融合器以逃逸星历史动作与各追踪子策略的预测结果为输入, 动态计算匹配度并选择最优子策略进行博弈决策. 实验结果表明, 预测网络能有效评估追踪子策略对未知逃逸策略的适应性, 策略融合器可显著提升追踪星面对多样化逃逸策略的泛化能力与可靠性.
轨道追逃博弈中逃逸策略的高度未知性与行为多样性, 给追踪策略的泛化能力带来严峻挑战. 深度强化学习虽可提升追踪星的博弈效能, 但当逃逸策略偏离训练分布时, 策略网络易产生次优甚至失效的决策. 为此, 提出一种基于行为预测和策略融合的轨道博弈决策方法. 在训练阶段, 首先采用“预测制导 + 人工势场法”构建多样化逃逸策略集. 随后在传统演员−评论家训练框架的基础上, 通过引入预测网络构建预测器−演员−评论家算法, 针对每类逃逸策略分别训练以获得对应的追踪子策略. 其中预测网络用于估计逃逸星动作, 并通过预测结果与真实动作的相似性衡量子策略与未知逃逸策略的匹配度. 在执行阶段, 策略融合器以逃逸星历史动作与各追踪子策略的预测结果为输入, 动态计算匹配度并选择最优子策略进行博弈决策. 实验结果表明, 预测网络能有效评估追踪子策略对未知逃逸策略的适应性, 策略融合器可显著提升追踪星面对多样化逃逸策略的泛化能力与可靠性.
2026, 52(3): 463-480.
doi: 10.16383/j.aas.c250602
cstr: 32138.14.j.aas.c250602
摘要:
工业过程数据常常受到混合噪声干扰, 传统基于单一重尾分布的鲁棒建模方法在处理混合噪声问题时, 在准确性与可解释性方面均存在一定局限. 基于此, 提出一种混合双高斯分布的可解释鲁棒自适应建模方法. 该方法首先采用随机配置算法构建基础的随机配置网络学习模型, 确定模型的隐含层节点数、输入权重和偏置; 其次为保证模型对混合噪声的鲁棒性, 构建双高斯分布(一大一小方差)加权组合而成的噪声表征模型; 随后利用期望最大化算法自适应迭代学习随机配置网络输出权值和混合高斯模型噪声参数, 最终形成基于双高斯分布混合鲁棒建模方法. 该方法具有以下优势: 噪声模型能够通过参数自适应学习逼近实际混合噪声特性, 其中大方差高斯分量负责对异常噪声进行粗调, 小方差高斯分量则用于精细拟合主体噪声, 从而增强模型的可解释性; 在网络模型输出权值估计过程中, 通过为每个输出数据点自适应分配惩罚权重, 保障模型的鲁棒性能. 为验证所提方法的有效性, 分别在函数仿真、基准数据集和工业实例上设计多组对比实验, 结果均表明所提方法具备良好的可靠性与实用性.
工业过程数据常常受到混合噪声干扰, 传统基于单一重尾分布的鲁棒建模方法在处理混合噪声问题时, 在准确性与可解释性方面均存在一定局限. 基于此, 提出一种混合双高斯分布的可解释鲁棒自适应建模方法. 该方法首先采用随机配置算法构建基础的随机配置网络学习模型, 确定模型的隐含层节点数、输入权重和偏置; 其次为保证模型对混合噪声的鲁棒性, 构建双高斯分布(一大一小方差)加权组合而成的噪声表征模型; 随后利用期望最大化算法自适应迭代学习随机配置网络输出权值和混合高斯模型噪声参数, 最终形成基于双高斯分布混合鲁棒建模方法. 该方法具有以下优势: 噪声模型能够通过参数自适应学习逼近实际混合噪声特性, 其中大方差高斯分量负责对异常噪声进行粗调, 小方差高斯分量则用于精细拟合主体噪声, 从而增强模型的可解释性; 在网络模型输出权值估计过程中, 通过为每个输出数据点自适应分配惩罚权重, 保障模型的鲁棒性能. 为验证所提方法的有效性, 分别在函数仿真、基准数据集和工业实例上设计多组对比实验, 结果均表明所提方法具备良好的可靠性与实用性.
2026, 52(3): 481-509.
doi: 10.16383/j.aas.c250195
cstr: 32138.14.j.aas.c250195
摘要:
模型预测控制(MPC)是广泛应用于各类工业过程的先进过程控制策略. 深度神经网络能够提升传统MPC性能, 但存在计算复杂度高和过拟合风险. 在MPC中采用常规粒子群优化(PSO)虽具备全局搜索能力, 却因计算消耗和初始解依赖等问题难以满足实时控制需求. 针对上述问题, 提出基于混合驱动和梯度优化的模糊宽度MPC. 首先, 采用区间二型模糊宽度学习系统构建预测模型, 增强非线性建模和不确定性处理能力. 其次, 在滚动优化过程中, 引入梯度下降与PSO的协同策略, 以确保快速收敛并提升全局搜索性能, 同时利用系统样本数据库和粒子档案数据库构建知识−数据驱动的代理模型以降低计算消耗. 最后, 设计操纵变量基线求解策略以提高控制输出的安全性和可靠性. 通过典型非线性系统和实际城市固废焚烧过程控制的仿真实验, 验证了所提方法的有效性.
模型预测控制(MPC)是广泛应用于各类工业过程的先进过程控制策略. 深度神经网络能够提升传统MPC性能, 但存在计算复杂度高和过拟合风险. 在MPC中采用常规粒子群优化(PSO)虽具备全局搜索能力, 却因计算消耗和初始解依赖等问题难以满足实时控制需求. 针对上述问题, 提出基于混合驱动和梯度优化的模糊宽度MPC. 首先, 采用区间二型模糊宽度学习系统构建预测模型, 增强非线性建模和不确定性处理能力. 其次, 在滚动优化过程中, 引入梯度下降与PSO的协同策略, 以确保快速收敛并提升全局搜索性能, 同时利用系统样本数据库和粒子档案数据库构建知识−数据驱动的代理模型以降低计算消耗. 最后, 设计操纵变量基线求解策略以提高控制输出的安全性和可靠性. 通过典型非线性系统和实际城市固废焚烧过程控制的仿真实验, 验证了所提方法的有效性.
2026, 52(3): 510-524.
doi: 10.16383/j.aas.c250334
cstr: 32138.14.j.aas.c250334
摘要:
随着机载传感器和中远距空空导弹技术的快速发展, 超视距空战已经成为现代空战的主流形式. 在这种复杂多变的作战环境中, 开发能够实时掌握战场态势并制定合理机动决策的智能化技术, 已成为军事技术研究领域的热点问题. 首先, 构建一个涵盖飞机六自由度动力学模型、导弹制导系统模型和雷达传感器系统的高保真仿真环境; 接着, 融合模仿学习和自博弈方法, 提出基于对手学习的空战决策框架, 以解决深度强化学习在空战中适应性和泛化性差的缺点, 提升智能体在复杂多变战场环境中快速适应和策略优化的能力; 最后, 构建10种具有显著战术差异性的专家系统, 在高保真空战仿真平台中与智能体进行博弈对抗. 结果表明, 在收敛速度和胜率等关键指标上, 所提出的空战决策框架优于传统深度强化学习决策策略, 有效性和泛化性强, 可为复杂超视距空战态势下快速生成可靠策略提供技术支持.
随着机载传感器和中远距空空导弹技术的快速发展, 超视距空战已经成为现代空战的主流形式. 在这种复杂多变的作战环境中, 开发能够实时掌握战场态势并制定合理机动决策的智能化技术, 已成为军事技术研究领域的热点问题. 首先, 构建一个涵盖飞机六自由度动力学模型、导弹制导系统模型和雷达传感器系统的高保真仿真环境; 接着, 融合模仿学习和自博弈方法, 提出基于对手学习的空战决策框架, 以解决深度强化学习在空战中适应性和泛化性差的缺点, 提升智能体在复杂多变战场环境中快速适应和策略优化的能力; 最后, 构建10种具有显著战术差异性的专家系统, 在高保真空战仿真平台中与智能体进行博弈对抗. 结果表明, 在收敛速度和胜率等关键指标上, 所提出的空战决策框架优于传统深度强化学习决策策略, 有效性和泛化性强, 可为复杂超视距空战态势下快速生成可靠策略提供技术支持.
2026, 52(3): 525-540.
doi: 10.16383/j.aas.c250368
cstr: 32138.14.j.aas.c250368
摘要:
随着人们对图像画质要求的不断提高, 各类图像细节增强技术不断涌现. 然而, 基于局部滤波器速度较快, 但其细节增强效果往往有限; 全局滤波器效果突出, 但计算开销较大; 深度学习方法高度依赖人工标注数据, 且其缺乏可解释性; 基于残差学习的策略则容易陷入局部最优, 难以充分挖掘潜在的全局最优特征. 针对上述挑战, 提出一种基于局部分形维数最大化的图像细节增强算法. 研究发现, 图像的分形维数在一定程度上能够有效刻画图像纹理结构, 其空间分布呈现出一定规律: 边缘区域通常具有较高的分形维数, 纹理区域次之, 平坦区域则最低. 基于上述特性, 构建图像纹理特征与分形维数之间的映射关系, 并进一步探讨分形维数与图像细节层之间的内在关联机制. 该方法在保持整体结构一致性的前提下, 通过提升局部分形维数, 实现图像细节的有效增强, 进而为图像增强提供一种具有理论依据的新思路. 大量实验结果表明, 该方法在主观视觉感受和客观评价指标上具有竞争力的表现. 如在BSDS200数据集上进行四倍增强因子的测试中, 所提方法在峰值信噪比和结构相似度指标上相较于当前流行方法QWLS分别提升5.20 dB和0.1456 , 充分展示了其在图像细节增强任务中的优势与算法强大的泛化特性.
随着人们对图像画质要求的不断提高, 各类图像细节增强技术不断涌现. 然而, 基于局部滤波器速度较快, 但其细节增强效果往往有限; 全局滤波器效果突出, 但计算开销较大; 深度学习方法高度依赖人工标注数据, 且其缺乏可解释性; 基于残差学习的策略则容易陷入局部最优, 难以充分挖掘潜在的全局最优特征. 针对上述挑战, 提出一种基于局部分形维数最大化的图像细节增强算法. 研究发现, 图像的分形维数在一定程度上能够有效刻画图像纹理结构, 其空间分布呈现出一定规律: 边缘区域通常具有较高的分形维数, 纹理区域次之, 平坦区域则最低. 基于上述特性, 构建图像纹理特征与分形维数之间的映射关系, 并进一步探讨分形维数与图像细节层之间的内在关联机制. 该方法在保持整体结构一致性的前提下, 通过提升局部分形维数, 实现图像细节的有效增强, 进而为图像增强提供一种具有理论依据的新思路. 大量实验结果表明, 该方法在主观视觉感受和客观评价指标上具有竞争力的表现. 如在BSDS200数据集上进行四倍增强因子的测试中, 所提方法在峰值信噪比和结构相似度指标上相较于当前流行方法QWLS分别提升5.20 dB和
2026, 52(3): 541-554.
doi: 10.16383/j.aas.c250447
cstr: 32138.14.j.aas.c250447
摘要:
迭代学习模型预测控制作为一种重要的批次过程先进控制方法, 具备较强的学习能力和闭环性能. 传统的迭代学习模型预测控制算法能有效消除重复扰动影响, 同时对小范围实时扰动鲁棒性较强. 当被控系统存在较大实时干扰时, 经济性能和系统稳定性通常难以保障. 对此, 提出一种面向非重复扰动的自适应迭代学习经济模型预测控制策略, 沿迭代方向和时间方向对系统动态进行分解, 将系统扰动拆分为重复部分和非重复部分, 分别建立批次间和批次内的动态经济优化问题. 批次间执行基于迭代学习控制的离线经济优化, 消除重复扰动影响; 批次内引入扩展状态观测器对非重复扰动进行估计, 基于批次间优化结果在线实施经济模型预测控制, 在抑制实时扰动的同时提高系统动态经济性. 论文结合观测器稳定性分析方法, 对所提自适应迭代学习经济模型预测控制策略的稳定性进行理论证明, 并通过间歇反应器仿真实验对算法实施有效性进行验证.
迭代学习模型预测控制作为一种重要的批次过程先进控制方法, 具备较强的学习能力和闭环性能. 传统的迭代学习模型预测控制算法能有效消除重复扰动影响, 同时对小范围实时扰动鲁棒性较强. 当被控系统存在较大实时干扰时, 经济性能和系统稳定性通常难以保障. 对此, 提出一种面向非重复扰动的自适应迭代学习经济模型预测控制策略, 沿迭代方向和时间方向对系统动态进行分解, 将系统扰动拆分为重复部分和非重复部分, 分别建立批次间和批次内的动态经济优化问题. 批次间执行基于迭代学习控制的离线经济优化, 消除重复扰动影响; 批次内引入扩展状态观测器对非重复扰动进行估计, 基于批次间优化结果在线实施经济模型预测控制, 在抑制实时扰动的同时提高系统动态经济性. 论文结合观测器稳定性分析方法, 对所提自适应迭代学习经济模型预测控制策略的稳定性进行理论证明, 并通过间歇反应器仿真实验对算法实施有效性进行验证.
2026, 52(3): 555-577.
doi: 10.16383/j.aas.c250304
cstr: 32138.14.j.aas.c250304
摘要:
研究通信拓扑固定下受有界扰动影响的非线性多智能体系统固定时间一致性问题. 针对现有事件触发控制方法存在的收敛时间依赖初值、扰动下触发可靠性低、控制参数缺乏理论设计依据等挑战, 提出一种动态事件触发固定时间一致性控制方法. 首先, 设计融合非线性增益与双曲正切扰动补偿的固定时间控制器, 在消除抖振的同时保证收敛时间上界严格独立于系统初始状态. 其次, 构造基于动态变量自适应调节的事件触发机制, 显著降低通信频率并严格证明系统不存在Zeno行为. 进一步, 通过建立新型Lyapunov稳定性分析框架, 显式给出收敛时间上界与事件触发间隔下界. 仿真结果表明, 所提方法在保证固定时间收敛性能的同时, 有效实现通信效率的优化提升.
研究通信拓扑固定下受有界扰动影响的非线性多智能体系统固定时间一致性问题. 针对现有事件触发控制方法存在的收敛时间依赖初值、扰动下触发可靠性低、控制参数缺乏理论设计依据等挑战, 提出一种动态事件触发固定时间一致性控制方法. 首先, 设计融合非线性增益与双曲正切扰动补偿的固定时间控制器, 在消除抖振的同时保证收敛时间上界严格独立于系统初始状态. 其次, 构造基于动态变量自适应调节的事件触发机制, 显著降低通信频率并严格证明系统不存在Zeno行为. 进一步, 通过建立新型Lyapunov稳定性分析框架, 显式给出收敛时间上界与事件触发间隔下界. 仿真结果表明, 所提方法在保证固定时间收敛性能的同时, 有效实现通信效率的优化提升.
2026, 52(3): 578-592.
doi: 10.16383/j.aas.c250303
cstr: 32138.14.j.aas.c250303
摘要:
考虑脉冲作用下基于观测器二阶混杂切换多智能体系统的有界群一致性追踪问题, 建立一种在脉冲作用下的混杂切换多智能体系统动力学模型, 每个跟踪智能体只能够获取邻居智能体和目标的位置信息. 然而, 每个跟踪智能体并不能获得邻居智能体和目标的速度信息. 针对跟踪智能体在获取邻居智能体和目标速度信息方面存在的限制, 设计一种基于目标加速度和智能体位置的状态观测器, 为跟踪智能体提供其子群目标的速度估计. 在此基础上, 提出一种在脉冲作用下基于目标速度观测器的有界群一致性追踪控制策略, 通过矩阵理论和Hurwitz稳定性判据, 证明了在该策略下系统可实现有界群一致性追踪. 仿真实例验证了所提方法的有效性.
考虑脉冲作用下基于观测器二阶混杂切换多智能体系统的有界群一致性追踪问题, 建立一种在脉冲作用下的混杂切换多智能体系统动力学模型, 每个跟踪智能体只能够获取邻居智能体和目标的位置信息. 然而, 每个跟踪智能体并不能获得邻居智能体和目标的速度信息. 针对跟踪智能体在获取邻居智能体和目标速度信息方面存在的限制, 设计一种基于目标加速度和智能体位置的状态观测器, 为跟踪智能体提供其子群目标的速度估计. 在此基础上, 提出一种在脉冲作用下基于目标速度观测器的有界群一致性追踪控制策略, 通过矩阵理论和Hurwitz稳定性判据, 证明了在该策略下系统可实现有界群一致性追踪. 仿真实例验证了所提方法的有效性.
2026, 52(3): 593-610.
doi: 10.16383/j.aas.c250235
cstr: 32138.14.j.aas.c250235
摘要:
由现有的特征提取器建立的图像特征点匹配集合通常包含大量离群点, 这严重影响特征匹配的有效性和依赖匹配结果的下游任务的性能. 最近提出的几种离群点去除方法通过估计运动场来利用匹配对的运动一致性, 并使用卷积神经网络(CNN)来减少离群点造成的污染, 以捕获上下文. 然而, CNN在捕捉全局上下文方面存在固有缺陷, 其感受野的固定性与局部性导致模型难以自适应地整合远距离信息, 从而制约相关方法的性能. 与这些使用卷积神经网络直接估计运动场的方法不同, 本文尝试在不使用CNN的情况下估计高质量的运动场. 因此, 提出基于运动过滤和调整的网络, 以减轻在捕捉上下文时离群点的影响. 具体而言, 首先, 设计一个运动过滤模块, 以迭代地去除离群点并捕获上下文. 然后, 设计一个规则化和调整模块, 该模块先估计初始运动场, 接着通过利用额外的位置信息对其进行调整, 使其更加准确. 在离群点去除和相对姿态估计任务中, 利用室内和室外数据集评估所提出方法的性能. 实验结果表明, 与现有多种方法相比, 所提方法展现出更优的性能.
由现有的特征提取器建立的图像特征点匹配集合通常包含大量离群点, 这严重影响特征匹配的有效性和依赖匹配结果的下游任务的性能. 最近提出的几种离群点去除方法通过估计运动场来利用匹配对的运动一致性, 并使用卷积神经网络(CNN)来减少离群点造成的污染, 以捕获上下文. 然而, CNN在捕捉全局上下文方面存在固有缺陷, 其感受野的固定性与局部性导致模型难以自适应地整合远距离信息, 从而制约相关方法的性能. 与这些使用卷积神经网络直接估计运动场的方法不同, 本文尝试在不使用CNN的情况下估计高质量的运动场. 因此, 提出基于运动过滤和调整的网络, 以减轻在捕捉上下文时离群点的影响. 具体而言, 首先, 设计一个运动过滤模块, 以迭代地去除离群点并捕获上下文. 然后, 设计一个规则化和调整模块, 该模块先估计初始运动场, 接着通过利用额外的位置信息对其进行调整, 使其更加准确. 在离群点去除和相对姿态估计任务中, 利用室内和室外数据集评估所提出方法的性能. 实验结果表明, 与现有多种方法相比, 所提方法展现出更优的性能.
