摘要：目的目前大多数深度图像修复方法可分为两类:色彩图像引导的方法和单个深度图像修复方法。色彩图像引导的方法利用色彩图像真值,或其上一帧、下一帧提供的信息来修复深度图像。若缺少相应信息,这类方法是无效的。单个深度图像修复方法可以修复数据缺失较少的深度图像。但是,无法修复带有孔洞(数据缺失较大)的深度图像。为解决以上问题,本文将生成对抗网络(generative adversarial network,GAN)应用于深度图像修复领域,提出了一种基于GAN的单个深度图像修复方法,即Edge-guided GAN。方法首先,通过Canny算法获得待修复深度图像的边界图像,并将此两个单通道图像(待修复深度图像和边界图像)合并成一个2通道数据;其次,设计Edge-guided GAN高性能的生成器、判别器和损失函数,将此2通道数据作为生成器的输入,训练生成器,以生成器生成的深度图像(假值)和深度图像真值为判别器的输入,训练判别器;最终得到深度图像修复模型,完成深度图像修复。结果在Apollo scape数据集上与其他4种常用的GAN、不带边界信息的Edge-guided GAN进行实验分析。在输入尺寸为256×256像素,掩膜尺寸为32×32像素情况下,Edge-guided GAN的峰值信噪比(peak signal-to-noise ratio,PSN)比性能第2的模型提高了15.76%;在掩膜尺寸为64×64像素情况下,Edge-guided GAN的PSNR比性能第2的模型提高了18.64%。结论 Edge-guided GAN以待修复深度图像的边界信息为其修复的约束条件,有效地提取了待修复深度图像特征,大幅度地提高了深度图像修复的精度。

摘要：随着陆、海、空等交通方式的快速发展,以地面无人系统(UGS)、无人机系统(UAV)、海上无人系统(UMS)为代表的无人系统受到了广泛关注,但是无人系统所处外部环境复杂多变,其设计开发充满挑战。针对这一情况,以中科院王飞跃研究员提出的平行系统理论为指导,提出了平行无人系统解决方案。本文首先讨论了无人系统的概念,并对无人系统的自主性和复杂性进行了分析;然后根据平行理论,提出了平行无人系统的概念和框架,并对平行无人系统的建模、平行学习、平行规划、平行控制等关键技术进行了研究;最后,以平行无人系统框架为基础,设计了平行驾驶验证平台和平行机器人验证平台,通过实验证明了平行无人系统框架可提高无人车及机器人在复杂场景下的安全性和稳定性。