摘要：2018年3月1日下午,玉溪市红塔区国家综合档案馆基础工程与主体工程验收会议在项目现场会议室召开,参会单位有红塔区档案局、玉溪建筑工程设计院、昆明建设咨询监理有限公司、中国建筑西南勘察设计研究院有限公司、玉溪金州建筑装饰工程有限公司、云南玉溪原点测绘有限公司、红塔区建设工程质量安全监督管理站等。监理公司总监理工程师孟宋军主持会议。

摘要：目的在点云场景中,语义分割对场景理解来说是至关重要的视觉任务。由于图像是结构化的,而点云是非结构化的,点云上的卷积通常比图像上的卷积更加困难,会消耗更多的计算和内存资源。在这种情况下,大尺度场景的分割往往需要分块进行,导致效率不足并且无法捕捉足够的场景信息。为了解决这个问题,本文设计了一种计算高效且内存高效的网络结构,可以用于端到端的大尺度场景语义分割。方法结合空间深度卷积和残差结构设计空间深度残差(spatial depthwise residual,SDR)块,其具有高效的计算效率和内存效率,并且可以有效地从点云中学习到几何特征。另外,设计一种扩张特征整合(dilated feature aggregation,DFA)模块,可以有效地增加感受野而仅增加少量的计算量。结合SDR块和DFA模块,本文构建SDRNet(spatial depthwise residual network),这是一种encoder-decoder深度网络结构,可以用于大尺度点云场景语义分割。同时,针对空间卷积核输入数据的分布不利于训练问题,提出层级标准化来减小参数学习的难度。特别地,针对稀疏雷达点云的旋转不变性,提出一种特殊的SDR块,可以消除雷达数据绕Z轴旋转的影响,显著提高网络处理激光雷达点云时的性能。结果在S3DIS(stanford large-scale 3D indoor space)和Semantic KITTI(Karlsruhe Institute of Technology and Toyota Technological Institute)数据集上对提出的方法进行测试,并分析点数与帧率的关系。本文方法在S3DIS数据集上的平均交并比(mean intersection over union,mIoU)为71.7%,在Semantic KITTI上的m Io U在线单次扫描评估中达到59.1%。结论实验结果表明,本文提出的SDRNet能够直接在大尺度场景下进行语义分割。在S3DIS和Semantic KITTI数据集上的实验结果证明本文方法在精度上有较好表现。通过分析点数量与帧率之间的关系,得到的数据表明本文提出的SDRNet能保持较高精度和较快的推理速率。

摘要：机器人离线编程系统是机器人应用开发的有效工具。本文给出一个智能装配机器人离线编程系统ＡＲＰＳ。该系统提供了一个良好的机器人程序开发和调试环境，用户可采用交互方式建立机器人及环境模型，用操作手级的机器人语言ＡＲＬ描述机器人作业，通过图形仿真调试机器人程序，目标程序与数据通过串行口下装到机器人控制器。