亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

《水下航行器：設計與應用》首先探討了自適應卡爾曼濾波算法在高速自主水下航行器（AUV）動態估算中的應用。

作者研究了在低慣性水下航行器上實施的不同控制方案的性能，包括非基于模型、基于模型和基于自適應模型的控制方案，用于三維螺旋軌跡跟蹤。

考慮到水下航行器使用傳感器檢測到任意形狀和非凸面障礙物的情況，介紹了在三維環境中避免碰撞的控制法則。

采用過程噪聲協方差校正（Q-適應）的漸變卡爾曼濾波器（AFKF）估算 AUV 動態。

第 1 章中提出的方法基于傳統 KF 算法的適應方案，通過引入單個或多個衰減因子來檢測和修正噪聲協方差的變化。盡管系統存在不確定性，但所提出的 AFKF 算法仍能提供精確的估計結果。所提出的 AFKF 算法簡單實用，計算負擔不重。這些特點使得所介紹的 AFKF 算法在為高速 AUV 控制系統提供可靠的參數估計方面極為重要。考慮到 AUV 通常在惡劣的環境中使用，系統輸入/參數極有可能出現故障，因此采用所提出的 AFKF 算法而不是傳統的 KF 算法可能會帶來顯著優勢。

第 2 章研究了不同控制方案的性能，從非基于模型的（比例-積分-派生控制，PID）到基于模型的（計算扭矩控制，CT）以及基于模型的自適應（自適應比例-派生加控制，APD+），這些方案都在低慣性水下航行器上實現，用于三維（3D）螺旋軌跡跟蹤。然后，基于 Lyapunov 直接法證明了每種控制方案所產生的閉環動力學的漸進穩定性。然后，通過基于場景的數值模擬，演示了在 Leonard 水下航行器上實施三維螺旋軌跡跟蹤的控制方案的性能。所提議的模擬在以下因素的影響下進行：潛水器的浮力和阻尼變化、參數變化；傳感器噪聲、潛水器內部擾動；以及水流、外部干擾抑制。此外，作者還演示了飛行器在執行水下任務時運送物體的任務。仿真結果表明，APD+ 控制方案對海洋應用中低慣性水下航行器的跟蹤控制具有有效性和魯棒性，優于其他控制器。

在三維環境中避免碰撞對于規劃自主飛行器的安全軌跡問題非常重要。關于避免碰撞的現有文獻假定障礙物的形狀是先驗已知的，并將障礙物建模為球體或邊界框。然而，在三維環境中，自動駕駛車輛并不知道障礙物的形狀，車輛會使用三維傳感器（如三維聲納）檢測障礙物的邊界。

在第 3 章中，作者介紹了避免碰撞的控制法則，考慮了航行器使用傳感器檢測任意形狀和非凸面障礙物的情況。此外，在設計控制法則時還考慮了運動約束，如車輛的最大轉彎率和最大速度。使用 MATLAB 仿真驗證了控制法則的有效性。

虛擬環境（VE）技術的最新進展，以及虛擬環境在治療和培訓個人方面的應用的增長，為在安全和豐富的環境中進行演練開辟了新的可能性。研究表明，虛擬環境可用于治療創傷后應激障礙（PTSD）患者，但很少有研究提出創建有效環境的良好指導原則。本研究旨在為系統設計提供參考，讓退伍軍人在實際進入該環境之前，在安全的環境中演練潛在的壓力體驗。我們調查了退伍軍人對虛擬環境特定設計組件的反應，以幫助開發對退伍軍人有效的系統。評估了對建議的六種刺激的反應，以及兩種類型的系統視角：第一視角和第三視角。采用的測量方法包括參與者的行為、主觀不適單元（SUD）以及包括心率、心率變異性和呼吸頻率在內的生理反應。對于患有創傷后應激障礙的退伍軍人來說，最有效的系統應該包括一套初始刺激，這些刺激可以進行配置，以便關注個人所經歷的特定創傷，或許還可以改變刺激強度。這些刺激應包括擁擠的房間和驚嚇噪音場景。第一人稱視角和頭戴式顯示器是首選的設計，除非是曾經有過暈動癥的人。這些人應該先在中性的第一人稱 VE 環境中接受網絡暈動癥測試，然后再在演練環境中接受測試。結果表明，創傷后應激障礙患者的心率反應與非創傷后應激障礙患者有明顯不同，創傷后應激障礙患者的 SUD 分數變化提供了有關個人對每種刺激的反應的有用信息。創傷后應激障礙患者在 VE 中也會表現出回避刺激等行為。本研究的結果表明，除虛擬戰斗區域外，其他虛擬環境也能引起創傷后應激障礙患者的行為、情緒和生理反應，因此應進一步研究這些類型的環境是否適用于創傷后應激障礙退伍軍人。

多目標跟蹤（MTT）在自主系統的制導、導航和控制中發揮著至關重要的作用。然而，它在計算復雜性、測量-跟蹤關聯模糊性、雜波和漏檢等方面提出了挑戰。

論文的前半部分探討了在移動平臺上使用攝像頭和光探測與測距（LiDAR）掃描儀進行多擴展目標跟蹤的問題。首先設計了一個貝葉斯框架，用于同時定位和映射以及檢測動態目標。開發了兩個隨機有限集濾波器來跟蹤提取的動態目標。首先，占格（OG）高斯混雜（GM）概率假設密度（PHD）濾波器聯合跟蹤目標運動狀態和目標形狀的改進占格圖表示。與傳統的 GM-PHD 過濾器相比，OG-GM-PHD 過濾器成功地重建了目標的形狀，并產生了較低的最優子模式分配（OSPA）誤差指標。第二種 MTT 過濾器（分類多重模型 (CMM) 標簽多重伯努利 (LMB)）是為了利用與類別相關的運動特征而開發的。它融合了從圖像到點云的分類數據，并將物體類別概率納入跟蹤的目標狀態。這樣就能更好地實現測量與跟蹤之間的關聯，并利用與類別相關的運動和出生模型。CMM-LMB 過濾器在 KITTI 數據集和 CARLA 模擬器的模擬數據上進行了評估。在這兩種情況下，CMM-LMB 過濾器的 OSPA 誤差指標都低于多重模型 LMB 和 LMB 過濾器。

下半部分研究了使用窄視場和有限行動回轉率傳感器的 MTT 傳感器管理。空間態勢感知（SSA）的傳感器管理被選為一個應用場景。用于空間態勢感知（SSA）的經典傳感器管理算法往往只考慮直接回報。本論文開發了深度強化學習（DRL）智能體，以克服長期傳感器任務分配問題中問題規模的組合性增加。為了訓練和評估 DRL 智能體，開發了一個用于 SSA 傳感器任務分配的定制環境。DRL智能體采用基于群體訓練的近端策略優化方法進行訓練，其表現優于傳統的近視策略。

過去幾十年來，在安全、監視、情報收集和偵察等許多領域，對目標跟蹤（OT）應用的需求一直在增加。最近，對無人系統新定義的要求提高了人們對 OT 的興趣。機器學習、數據分析和深度學習的進步為識別和跟蹤感興趣的目標提供了便利；然而，持續跟蹤目前是許多研究項目感興趣的問題。本論文提出了一個系統，實現了一種持續跟蹤目標并根據其先前路徑預測其軌跡的方法，即使該目標在一段時間內被部分或完全隱藏。該系統分為兩個階段： 第一階段利用單個固定攝像機系統，第二階段由多個固定攝像機組成的網狀系統。第一階段系統由六個主要子系統組成：圖像處理、檢測算法、圖像減法器、圖像跟蹤、跟蹤預測器和反饋分析器。系統的第二階段增加了兩個主要子系統：協調管理器和相機控制器管理器。這些系統結合在一起，可以在目標隱藏的情況下實現合理的目標跟蹤連續性。

本文的主要重點是開發一種低成本、魯棒性和高效的合作定位解決方案，以幫助無人自主飛行器在全球定位系統缺失或性能下降的條件下進行導航。

首先，推導出固定翼無人機（UAV）和多旋翼無人機的完全可觀測性條件。創建了一個相對位置測量圖（RPMG），圖中的節點是車輛或已知特征（地標），它們之間的邊代表測量結果。利用圖論和線性代數概念，得出了可觀測矩陣最大秩的條件，并建立了可觀測矩陣秩與系統中可用測量值之間的關系。該分析條件的缺點之一是必須在所有時間時刻保持一個連通的 RPMG。因此，我們提出了一種離散時間可觀測性條件，即一個時間間隔內的 RPMG 的聯合必須是相連的。

接下來，將討論無人飛行器 (UV) 緊密協調和控制的一個基本問題。在各種應用中，飛行器的慣性位置并不重要。在這種情況下，車輛之間的相對姿態和方位對開發控制器非常有用。眾所周知，擴展卡爾曼濾波器（EKF）的性能非常出色，前提是它的初始化接近真實位置并能接收到測量結果。對于沒有任何全球定位系統（GPS）測量數據或網絡延遲嚴重（需要重新初始化濾波器）的長距離行駛車輛，已知先驗信息的假設是無效的。為了規避這些問題，我們開發了一種多假設卡爾曼濾波器（MHEKF），該濾波器在初始化過程中沒有先驗信息，這意味著相關的不確定性非常大。

最后，解決了地面車輛的分布式合作定位問題。集中式合作定位需要大量計算。我們開發了一種分布式合作定位算法，使組內的每輛車都能估計自己的慣性狀態。該算法是為自主地面車輛開發的，在仿真中僅使用測距數據。

圖 1.1：合作定位的相對位置測量圖，其中塔作為地標（已知興趣點），不同的 UV 相互合作。

伊卡洛斯團隊創建了一個基于無人潛航器（UUV）的數字工程案例研究，通過執行 MagicGrid 架構開發方法，提供了使用 Cameo Systems Modeler 開發架構的強大視圖。案例研究包括通過中間件軟件（ModelCenter MBSE）連接該架構模型，以直接驅動多個工程分析工具（Excel、MATLAB/Simulink、計算機輔助設計工具）。通過實驗設計對設計進行改進，并通過軟件工具（ModelCenter Explore）實現可視化。本案例研究提供給海軍水面作戰中心-胡內姆港分部（NSWC PHD），作為系統工程師和系統后勤人員培訓的補充，以填補現有培訓的空白。

近年來，數字工程（DE）和基于模型的系統工程（MBSE）已成為美國國防部（DOD）和海軍部（DON）的行業標準。數字工程被定義為 "一種綜合的數字方法，它使用權威的系統數據源和模型作為跨學科的連續體，以支持從概念到處置的生命周期活動"（Shepard 和 Scherb，2020 年）。許多海軍組織已經適應了數字工程方法，并開始提供培訓計劃，重點關注數字工程的各個組成部分以及有助于支持這些流程的工具。

其中一些培訓項目嚴格專注于數字工程流程的一個特定組成部分。雖然許多培訓項目都深入關注某一特定組成部分，但它們只是對數字工程或架構開發方法進行了有限的分割。不同組成部分之間缺乏流動性，這暴露了數字工程教學的不足。所提供的培訓課程并沒有展示建筑開發和工程分析工具之間是如何相互作用的，也沒有展示它們是如何協同工作以實現成功的數字工程流程的。因此，學生在構思整個建筑開發方法和探索優化建筑設計的數字工程技術時受到限制。

本文的主要目標是利用 MBSE 和數字工程實施對理論上的無人潛航器 (UUV) 進行案例研究，以補充當前的培訓和教育。這將通過三項成果來完成：理論無人潛航器數字系統架構示例、MagicGrid 架構開發方法（包括工程分析軟件工具的使用）的書面和可視化教程，以及關于整個案例研究的最終報告。

理論UUV 是一個系統概念，將使用 Cameo Systems Modeler 將其轉化為數字架構模型。利用 MagicGrid 架構開發方法，除了 Model Center MBSE 外，UUV 架構模型還可通過不同的工程分析工具 [即 Excel 和 MATLAB/Simulink（計算機輔助設計工具）] 進行連接和分析。為了說明開發過程，在架構的同時還完成了基于文本和視頻的教程。最后，在架構模型上進行實驗設計，以測試系統能力并完善設計。

這些教程包括一個模型模板，作為當前培訓和教育的補充，提供更深入的 MBSE 和數字工程工具、技術和流程。這滿足了利益相關者的目標和要求，最終成果還可用于重新評估當前基于模型的程序執行流程。

由于水下聲學的復雜性，水下模擬器并不常見。模擬是快速測試自主飛行器的有效工具，是測試和評估過程的補充。本論文的目標是為機器人應用提出一種計算效率高的前視聲納仿真模型。本論文使用點散射模型開發了單聲納波束模型，并應用了傅立葉合成和波束形成修正。將單個聲納波束連接起來，模擬前視聲納系統的視場。結果是一個聲納模擬模型，可用于已建立的 ROS Gazebo 機器人框架，作為有效測試自主水下航行器的工具。聲納模型聲學方面的未來改進包括增加混響、多路徑傳播和干擾。

艦船集成項目辦公室（PMW760）對其權限范圍內所有無人系統都能使用的統一、有凝聚力的通信協議的前景很感興趣。數據分發服務（DDS）是使用點對點鏈路進行這種內聚通信的主要候選協議。本論文的目的是評估 DDS 在符合海軍用例標準的網絡架構中的性能。提出了一個包含衛星通信（SATCOM）和無線保真（WiFi）鏈路的網絡架構，以測試 DDS 在場景設置的限制下在網絡節點之間執行內聚通信的能力。使用網絡模擬器 Mininet 來設置網絡參數，并研究各個點對點鏈接在不同數據樣本大小下的吞吐量和延遲性能。使用實時創新 Perftest 軟件工具進行模擬，測量不同網絡配置（理想、抖動和多流）下的吞吐量和延遲。在理想配置和抖動配置下，對可靠通信和最佳努力通信以及實施和未實施 DDS 安全性進行了模擬。還對多流量配置進行了模擬，以評估同時多流量數據（在網絡節點內并行運行的流量數據）如何爭奪網絡資源并影響性能。

建議的網絡架構如圖 7 所示。任務指揮官駐扎在總部，對由現場指揮官、支援艇、拖車和兩架無人機組成的任務單元實施指揮和控制。場景設置如下：

• 任務指揮官位于總部，通過總部 WiFi 與網絡其他部分連接。他還控制任務地點的黑色無人機。
• 支援艇位于海上，通過 SATCOM 直接與衛星連接。
• 拖車位于任務現場，與衛星連接，為現場的任務單元提供 WiFi。
• 現場指揮官位于任務現場，與拖車 WiFi 接入點 (AP) 連接。他轉發拖車 WiFi 信號，為無人機提供通信。現場指揮官還控制白色無人機。
• 黑色和白色無人機連接到現場指揮官轉發的無人機通信 WiFi 接入點。
• 任務指揮官、輔助飛行器和現場指揮官可以通過語音通信進行對話。
• 任務指揮官和現場指揮官分別從黑色無人機和白色無人機接收視頻數據。支援艇也與任務指揮官和現場指揮官共享視頻數據。

這項工作提出了一個在歐盟項目FOLDOUT中開發的融合和跟蹤系統，旨在通過融合不同的傳感器信息和提出對監視區域內檢測到的目標自動跟蹤來促進邊防工作。FOLDOUT的重點是歐盟內部和外部地區的穿透式樹葉檢測。融合多個傳感器信號可以提高檢測的有效性，特別是在森林和其他被樹葉遮擋的地區。我們使用加權地圖（也稱為熱圖）來結合多傳感器信息；對所產生的融合目標進行跟蹤；根據對融合檢測的時間關聯的成本計算來創建或更新跟蹤。我們比較了來自單個傳感器的跟蹤結果和來自融合目標的跟蹤結果，這些數據是在模擬邊界收集的，代表了保加利亞的實際歐盟邊界。結果表明，如果根據融合后的數據而不是單個傳感器的信息進行追蹤，追蹤效果會得到加強。

檢測與跟蹤方法

邊防軍的主要興趣是在全球地圖上對監視區域內檢測到的人員進行定位和跟蹤。為了實現這一目標，首先要將不同傳感器系統觀察到的單個人的探測結果進行融合。當檢測結果相互關聯并保持一致時，就可以在一個共同的地圖上對單獨的目標進行跟蹤。

圖2：指導動作（紅線），扮演一個非法越境的場景：1.一個人通過步行越過邊境。2.該人沿著邊境小路向大路走去。3.此人停下腳步，在路上停留很長時間（可能是在等待汽車中的走私者）。4.在某一時刻離開道路，躲進樹叢中。5. 在樹葉中，該人再次回到路上（可能再次尋找汽車）

A.單傳感器檢測

RGB和熱像儀中的人員檢測

基于深度學習的綜合物體檢測被應用于相機圖像上。深度學習方法已被證明優于以前的最先進的機器學習技術。深度神經網絡（DNNs）模仿了大腦感知和處理信息的方式。與以前的方法相比，DNNs學習了諸如人物檢測等任務所需的特征。近年來，DNN在物體檢測和分類任務上表現出突出的性能[9, 10]。在這項工作中，物體檢測是基于一個著名的DNN實現，即YOLO檢測器[11]。

PIR傳感器中的人員檢測

探測器經過調整，使被動紅外傳感器在PIR周圍7.5米的半徑內觸發人的存在。

B.異質傳感器融合

在這項工作中，我們使用加權地圖來提供傳感器數據的層次（也稱為HeatMaps），并以邏輯和數學的方式組合它們。它的動態是完全使用不同傳感器模式的傳感器檢測假設的事件驅動。這些傳感器假設包括位置（WGS84基準）、時間戳（Unix時間戳）和權重（例如，從傳感器檢測中獲取的信心）。為了實現這一點，有兩個組件是必不可少的：加權分布圖（HeatMaps）；線性意見庫。圖3顯示了這種方法的基本概念。

圖3：融合方法的基本概念（左），作為使用兩個加權分布圖（熱力圖）的例子。應用不同的衰減函數（右）來建立加權分布圖的時間動態行為。

加權分布圖(熱圖)

加權分布圖是我們數據融合方法的兩個基本組成部分中的第一個。加權地圖的基本思想是，保持和更新關于不同傳感器探測假設的時空信息。加權地圖來自于概率占用網格，但以加權的形式解釋傳入的數據。此外，還采用了時間上的衰減來模擬傳感器數據的及時行為。權重被存儲在一個可選擇分辨率的數組中，代表WGS84坐標中感興趣的矩形區域。圖3展示了用于模擬加權分布圖動態行為的可能衰減函數。

通常，加權分布圖對應于任何一種傳感器數據或傳感器模式（例如，從攝像機圖像中檢測人的邊界框）的時空。傳感器數據被攝取到一個專門的加權圖中，這導致加權圖的值根據傳入的傳感器假設的權重而增加（替換）。相對而言，衰減將及時應用到加權分布圖的值矩陣中。每次傳感器假設被攝入分布圖，它將通過重新計算加權分布圖的權重和衰減以前狀態的值來更新。

最后，線性意見庫允許我們結合多個加權分布圖，從而結合多傳感器模式，目的是減少傳感器系統的整體錯誤發現率。

線性意見庫(LOP)

我們融合方法的第二個重要組成部分是線性意見庫[8]。

每當一個加權分布圖的狀態由于新的傳感器檢測假設而被更新時，就會應用LOP。在評估了LOP之后，閾值處理使我們能夠產生警報。為了確定警報的位置，在組合值矩陣中超過閾值的區域使用分割算法（blob檢測）。這些警報是由多個傳感器假設產生的，用于為跟蹤提供必要的輸入數據，這將在下一節中描述。

C.多目標跟蹤

為了跟蹤越境進入禁區或敏感區域的入侵者的行動，我們開發了一種基于空間和時間上關聯目標檢測的成本計算的定制算法。該跟蹤系統的工作原理是完全基于目標的位置和時間戳建立一個模型。

在第一次檢測目標時，該模型以該檢測的位置和時間戳進行初始化。軌跡模型是用以下元組定義的：???? = (????,????,????)。

如果幾個目標檢測同時發生，那么創建的模型模板數量與同時收到的檢測數量相同。后續的檢測被添加到一個給定的軌道模型中，這取決于將檢測添加到軌道中的成本。該成本被定義為傳入的檢測和軌跡候選者之間的距離。

在有多個傳入的檢測和多個軌跡候選者的情況下，已經實施了匈牙利算法[12]，使檢測和軌跡之間的關聯產生最小的成本。

這項工作利用開源工具創建了一個虛擬環境和車輛，與現實世界的條件相比較，以測試、訓練和評估不同的機器學習方法。特別是，在自監督的學習策略下，卷積和長短時記憶遞歸神經網絡的結合，避免了大量的標簽，并能學習新的模式和地形，特別是影響或限制移動性的模式。在自監督的結構中，LSTM產生連續的結果，提供給CNN。由于攝像機是正面觀察，而LSTM只有在實際到達表面時才進行分類，因此該策略需要一種網絡配置，使兩種類型的數據兼容，以創建一個共同的地圖。重新訓練的CNN層通過“凍結”特征提取器被傳遞到在線工作。通過地圖運行每個模型，并對結果進行歸一化處理以使其具有可比性，顯示出針對驗證數據不同級別的準確性，這些驗證數據分別使用兩個網絡上的弱標記和完全標記的數據，以及擬議的自監督結構中的組合。這表明單個網絡對驗證數據的準確率為85.93%，對弱標記數據的準確率為94.61%。由于允許網絡使用代表同一類數據的不同來源，所以在組合方法上有更好的結果。

圖1 TRACER X車輛在虛幻引擎4（UE4）中創建的地形上，并重新創建了視覺和物理屬性。這使得車輛可以探索一個地圖，呈現出固定化威脅有關的物理和視覺屬性。在車輛探索的同時，它還創建了一個按低、中、高移動性劃分的地圖，使用ORBSlam在地圖上定位表面的空間。

圖2 仿真過程的軟件結構考慮了創建模型、模擬物理、讀取傳感器以及結合控制和智能策略的要素