摘要：本文研究了一类具有随机介质访问协议网络化系统的H∞滤波问题.将传感器和滤波器的通信过程描述为一个马尔可夫链,进而将滤波误差系统建模成一个马尔可夫跳变系统.然后,运用李雅普诺夫方法和线性矩阵不等式技术,给出了滤波误差系统随机稳定且具有给定H∞性能的一个充分条件,并基于该条件给出了H∞滤波器的设计方法.最后的数值算例验证了本文方法的有效性.

摘要：针对三维场景深度信息观测稀疏问题,提出一种融合彩色图像的多引导结构感知网络模型以补全稀疏深度.首先,利用三维平面法向量与场景梯度信息之间的映射关系,设计一种两分支主干网络框架,结合图像特征和几何特征进行深度预测,以充分提取空间位置信息的特征表示;然后,考虑到大范围场景下不同物体的结构差异性,基于网络通道注意力机制设计一种自适应感受野的结构感知模块,以对不同尺度的信息进行表征;最后,在网络采样的过程中,以不同尺寸图像为指导对预测子深度图进行滤波并修复物体的边缘细节.公开数据集上的实验结果表明,所设计的深度补全算法可以获得准确的稠密深度,同时通过两个下游感知任务进行深入评估,表明利用所提出方法能够有效提升其他感知任务的效果.

摘要：针对视觉遮挡引起的人体姿态估计(Human pose estimation, HPE)性能下降问题,提出基于渐进高斯滤波(Progressive Gaussian filtering, PGF)融合的人体姿态估计方法.首先,设计分层性能评估方法对多视觉量测进行分类处理,以适应视觉遮挡引起的量测不确定性问题.其次,构建分布式渐进贝叶斯滤波融合框架,以及设计一种分层分类融合估计方法来提升复杂量测融合的鲁棒性和准确性.特别地,针对量测统计特性变化问题,利用局部估计间的交互信息来引导渐进量测更新,从而隐式地补偿量测不确定性.最后,仿真与实验结果表明,相比于现有的方法,所提的人体姿态估计方法具有更高的准确性和鲁棒性.

摘要：研究了具有测量数据丢失的离散不确定时滞系统鲁棒Kalman滤波问题,其中时延存在于系统状态和观测值中.模型的不确定性通过在系统矩阵中引入随机参数扰动来表示,测量数据丢失现象则通过一个满足Bernoulli分布且统计特性已知的随机变量来描述.基于最小方差估计准则,利用射影性质和递归射影公式得到一个新的滤波器设计方法,并且保证了滤波器的维数与原系统相等.与传统的状态增广方法相比,当时延比较大时,该方法可以有效降低计算量.最后,给出一个仿真例子说明所提方法的有效性.

摘要：研究了一类通信受限下网络化多传感器系统的Kalman融合估计问题,其中通信受限是指系统在一个采样周期内只允许有限个传感器与融合中心通信.首先,提出了一种周期性分组传输的通信策略,并将每组传感器所对应的局部估计系统描述成一个离散周期子系统模型.其次,每个子系统根据最新测量信息的更新时刻,选择相应的Kalman估计器(滤波器或预报器),从而得到各子系统在每一时刻的一个局部最优估计,再通过矩阵加权线性最小方差最优融合准则得到最优融合估计,并给出了Kalman融合估计器的设计方法.最后,通过一个目标跟踪例子验证所提方法的有效性.

摘要：研究一类具有随机采样特性的网络化系统H∞滤波问题.通过将传感器的随机采样过程建模成马尔可夫链,将数据量化作用转化为模型的参数不确定性,并用二值随机变量描述丢包过程,从而用一个多随机变量的马尔可夫不确定性模型来描述滤波误差系统.应用Lyapunov稳定性理论和随机系统分析方法,导出了滤波误差系统随机稳定且具有给定H∞性能的充分条件,并给出了滤波器的设计方法.仿真结果验证了所提出方法的有效性.

摘要：针对网络攻击下的不确定网络化多轴运动控制系统,提出一种基于分布式中间观测器的容侵同步控制方法.首先将不确定性分解为匹配分量和不匹配分量,继而通过分布式中间观测器估计由执行器攻击、领航者的非零输入以及匹配不确定性分量构成的组合未知输入信号,进而设计基于估计值的容侵同步控制协议对匹配未知输入进行有效补偿,同时通过调节特定参数充分抑制不匹配不确定性效应,最终得到满意的容侵同步控制性能.

摘要：针对复杂关联系统中分散控制方法无法有效解决子系统间的耦合和干扰问题,提出一种基于扩张状态观测器的分散模型预测控制算法.首先将复杂关联系统分解为多个状态维数较低、控制变量较少的子系统,并为每个子系统设计本地预测控制器;然后,采用扩张状态观测器对子系统的耦合项以及干扰项进行估计,进而利用估计值对子系统进行前馈补偿,从而降低复杂关联系统的计算复杂度,提高系统的稳定性和抗干扰能力;最后,利用液位控制系统验证了所提出算法的有效性.

摘要：针对基于表面肌电信号(Surface electromyography, sEMG)的人体肢体运动估计建模困难的问题,提出一种渐进无迹卡尔曼滤波网络(Progressive unscented Kalman filter network, PUKF-net),来实现降低肢体运动与sEMG量测的建模难度以及提高肢体运动估计精度的目的.首先,设计深度神经网络从sEMG数据中学习肢体运动状态与sEMG量测之间的映射关系和噪声统计特性.其次,采用渐进量测更新方法对先验状态估计进行修正,减小运动估计的线性化误差,提高PUKF-net模型的稳定性.通过结合深度神经网络和渐进卡尔曼滤波的优势,使得PUKF-net具有良好的模型适应性和抗噪能力.最后,设计基于sEMG的人体肢体运动估计实验,验证了PUKF-net模型的有效性.相较于长短期记忆网络(Long short-term memory, LSTM)和其他卡尔曼滤波网络, PUKF-net在肢体运动估计中的均方根误差(Root mean square error, RMSE)下降了14.9%,相关系数R2提高了5.1%.

摘要：本文研究了复杂背景环境下基于视觉的移动机器人人体目标跟随问题。首先,考虑目标状态的随机性给系统建模带来的影响,采用RGB-D相机获取包含目标的彩色图像和深度图像,从而确定目标与机器人之间的相对位置关系并建立移动机器人跟随模型。其次,考虑系统量测误差的不确定性对滤波器稳定性的影响,采用假设检验的方式引入自适应因子,设计自适应卡尔曼滤波器(AKF),实现对移动机器人跟随状态的预测和更新。最后,通过实验验证了所提方法的有效性。本文设计的基于AKF方法的移动机器人目标跟踪方法不依赖于历史量测数据,适用于噪声统计特性时变的状态估计问题。