图的着色理论在自动导引小车调度规划系统中的应用_孙亮
基于图像识别技术的智能小车跟随系统
基于图像识别技术的智能小车跟随系统作者：王清嘉来源：《品牌与标准化》2022年第03期【摘要】本文将对智能小车跟随系统进行研究和说明，并对运用二值化方法作为智能图像识别技术进行智能跟随的图像处理模式进行解释，探讨人工智能图像识别技术及其具体应用，并分析了智能控制算法对图像色素识别的不同模式及其优缺点，此外还对智能小车跟随系统的应用场景进行了说明，最后对智能小车跟随系统的标准化发展进行了展望。
【关键词】图像识别;智能小车;跟随系统;二值化【DOI编码】10.3969/j.issn.1674-4977.2022.03.025Smart Car Following System Based on Image RecognitionWANG Qing-jia（Liaoning Rail Transit Vocational College，Shenyang 110023，China）Abstract：This paper will study and explain the intelligent car following system，explain an image processing mode that uses the binary method as the intelligent image recognition technology for intelligent following，discuss the artificial intelligence image recognition technology and its specific application，analyze the different modes of image pigment recognition by the intelligent control algorithm and their advantages and disadvantages，and explain the application scenario of the intelligent car following system. Finally，the standardization development of intelligent car following system was prospected.Key words：image recognition;smart car;follow system;binarization如今各领域对智能化运输工具或移动工具的需求越来越大，因此促进了智能小车的不断发展。
车辆调度和路线优化的智能算法
车辆调度和路线优化的智能算法车辆调度和路线优化是物流行业中关键的环节之一。
传统的调度方法往往存在诸多不足，如难以应对复杂的实时情况、效率较低、成本较高等。
而智能算法的运用则为解决这些问题带来了新的可能。
本文将介绍一些智能算法在车辆调度和路线优化中的应用。
一、智能算法在车辆调度中的应用1. 遗传算法（Genetic Algorithms）遗传算法是一种模拟自然进化思想的搜索算法，通过模拟遗传、变异、选择等过程，寻找到最优解。
在车辆调度中，可以将每个调度方案看作一个“个体”，通过交叉、变异等操作，不断优化调度方案，以达到最佳路线和调度时间的目标。
2. 粒子群算法（Particle Swarm Optimization）粒子群算法是一种基于群体智能的优化算法，通过模拟鸟群或鱼群的行为，实现对问题解空间的搜索。
在车辆调度中，可以将每个粒子看作一个调度方案，通过粒子间的信息交流和位置更新，不断寻找最优解，以实现车辆调度的高效性和减少行驶里程。
3. 蚁群算法（Ant Colony Optimization）蚁群算法模拟蚂蚁在觅食过程中释放信息素的行为，通过信息素的积累和挥发来指引蚂蚁找到最短路径。
在车辆调度中，可以将车辆看作蚂蚁，通过信息素的积累和更新，指引车辆选择最优路线和完成任务。
蚁群算法在解决车辆调度问题中具有一定的优势和应用潜力。
二、智能算法在路线优化中的应用1. 遗传算法（Genetic Algorithms）遗传算法除了在车辆调度中的应用外，也可以应用于路线优化的问题。
通过将每个路线看作一个“个体”，通过进化的方式寻找到最佳解决方案，以达到最短路线或最优路径的目标。
2. 模拟退火算法（Simulated Annealing）模拟退火算法是一种基于物理退火原理的全局优化算法，通过模拟金属退火过程中的分子运动，寻找到最优解。
在路线优化中，可以将每个解决方案看作分子的状态，通过退火过程不断更新状态，最终找到最短路径或最优路线。
光导AGV智能循迹测控系统的建模与仿真
果 。该仿 真 系统模 拟的参 数接 近 车体 的 实际数 据 ， 于 实际 小 车 的控 制具 有 一 定 的参 考 价 值 ， 对 为今 后
Ａ Ｖ 控 制 系统 的设 计 提 供 了依 据 。 Ｇ
关 键词 ： 自动 导 向车 ； 建模 ； 态反馈 控制 ； 状 模糊 控制 ； 复合 控制 ； 真 仿 中图分 类号 ：Ｈ ４ Ｔ ２２ 文 献标识 码 ： Ａ 文章编 号 ：０ ０— ８ ９ ２ １ ） ５— ０ ５— ４ １０ ８ ２ （０ １ ０ ０ ８ ０
ｒ ｍ ｅｅｓ ｏ ｙ ｔｍ ｒ ｅ ｙ ｃｏ ｅ ｏ ｔ ｅ ｐ ａ ｔｃ １ｄ ｔ ． Ｏ ｔ ｉ ｙ ｔｍ Ｓｕ ｅｕ ｏ ｃｕ １ＡＧＶ ｏ ｔｏ ｎ ｏ — ａ ｔｒ ｆｓ ｓｅ ａ ｅ ｖ ｒ ｌ ｓ ｄ ｔ ｈ ｒ ｃｉａ ａ ａ Ｓ ｈ ｓｓ ｓｅ ｉ ｓ ｆ ｌｆ ｒａ ｔ ａ ｃ ｎ ｒ ｌａ ｄ ｃ ｎ ｔｉ ｕ ｅ ｏ ｆ ｔ ｒ ｒｂ ｔ ｓｔ ｕ ｕ ｅ ＡＧＶ ｅ ｉｎ ａ ｄ ｉ ｄ ｓｇ ｎ ｍｐｒｖ ｍｅ ｔ ｏ ｅ ｎ． Ｋ ｅ ｏ ｄｓ ＡＧＶ； ｄ ｌ ｇ ｓａｅ ￣ｅ ｂ ｃ ｏ ｔｏ ； ｕ ｚ ｏ ｔｏ ； ｏ ｐ ｕｎ ｏ ｔｏ ； ｉ ｕ ａｉｎ ｙｗ ｒ ： ｍｏ ｅｉ ； ｔｔ ｎ ｄ ａ ｋ ｃ ｎ ｒ ｌ ｆ ｚ ｙ ｃ ｎ ｒ ｌ ｃ ｍ ｏ ｄ ｃ ｎｒ ｌ ｓｍ ｌｔｏ
基于自适应迭代扩展卡尔曼滤波算法的INSBDS组合导航系统
惯性导航系统(Inertial Navigation System ，INS )和北斗卫星导航系统(Beidou Navigation Satellite System ，BDS )是目前两种重要的舰船导航系统。
惯性导航系统(INS )是自主导航系统，仅依靠自身就能进行连续的导航和定位，具有自主、隐蔽等特性，所获取舰船的运动信息完备，但其定位误差是积累的，随着时间的积累而不断增大[1]。
北斗卫星导航系统(BDS )的定位精度系统与第3代GPS 定位精度相当，具有观测时间短、定位连续、精度高、误差不随时间积累等优点，可提供覆盖全球的精准定位、导航和授时(Positioning ，摘要为克服惯性导航系统(INS)的积累误差，提高误差的修正精度，提出了基于多天线北斗差分载波相位的北斗/惯性导航系统组合导航算法。
该算法建立并线性化惯性导航系统(INS)和北斗导航系统(BDS)的状态方程和量测方程，对系统的运动状态参数应用自适应迭代扩展卡尔曼滤波(adaptive iterated extended Kakman filter ，AIEKF)算法进行估计。
仿真结果表明，自适应迭代扩展卡尔曼滤波算法能够提高INS/BDS 组合导航系统的精度和抗干扰能力，验证了自适应迭代扩展卡尔曼滤波算法的有效性。
关键词INS;BDS;组合导航;自适应卡尔曼滤波中图分类号:U666.1文献标识码:A DOI ：10.19694/ki.issn2095-2457.2020.04.81基于自适应迭代扩展卡尔曼滤波算法的INS/BDS 组合导航系统INS/BDS Integrated Navigation System Based on Innovation-based Estimation Adaptive Kalman Filter Algorithm张源詹金林韩冰陈伟ZHANG Yuan ZHAN Jinlin HAN Bing CHEN WeiAbstractTo achieve high accuracy for INS,this paper presents an INS/BDS adaptive navigation system for marine application.BDS with multi-antennas Dual-Differential carrier phase observation model provides vessel ’s altitude and is selected as the auxiliary navigation system to fuse with INS to obtain better estimation accuracy of INS errors.In oder to solve the degradationperformance of integrated navigation system caused by BDS unstable measurement disturbs,a novel innovation-based adaptive estimation (AIE)kalman filtering approach is proposed.Simulation results show that the novel innovation-based adaptive estimation kalman filtering surpasses thestandard kalman filter with better accuracy,robustness and lesscomputation.Key wordsInertial navigation system;BDS;Integrated navigation system;Adaptive kalman filter;Innovation-based adaptive estimation张源海军士官学校(蚌埠233012)詹金林海军士官学校(蚌埠233012)韩冰海军士官学校(蚌埠233012)陈伟海军士官学校(蚌埠233012). All Rights Reserved.Navigation and Timing，PNT)服务[2]。
基于循环生成对抗网络的人脸素描合成网络设计
第41卷 第1期吉林大学学报(信息科学版)Vol.41 No.12023年1月Journal of Jilin University (Information Science Edition)Jan.2023文章编号:1671⁃5896(2023)01⁃0076⁃08基于循环生成对抗网络的人脸素描合成网络设计收稿日期:2021⁃03⁃11基金项目:黑龙江省自然科学基金资助项目(LH2020F005)作者简介:葛延良(1979 ),男,黑龙江大庆人,东北石油大学副教授,主要从事图像处理㊁计算机视觉㊁无线通信研究,(Tel)86⁃158****3399(E⁃mail)geyanliang@;通讯作者:孙笑笑(1993 ),女,河南商丘人,东北石油大学硕士研究生,主要从事生成对抗网络㊁人脸素描融合研究,(Tel)86⁃159****1939(E⁃mail)3076266954@㊂葛延良,孙笑笑,王冬梅,王肖肖,谭 爽(东北石油大学电气信息工程学院,黑龙江大庆163318)摘要:针对目前人脸到素描合成存在生成的素描图轮廓模糊㊁细节纹理缺失等问题,提出一种采用循环生成对抗网络(CycleGAN:Cycle⁃Generative Adversarial Networks)解决方案㊂构建多尺度CycleGAN,生成器采用深度监督的U⁃Net++结构为基础,在其解码器端进行下采样密集跳跃连接;在其生成器的编码器端设计通道注意力和和空间注意力机制形成特征增强模块;最后在生成器中增加像素注意力模块㊂实验结果表明,与现有经典算法相比,从主观视觉评测和利用现有的4种图像质量评价算法进行质量评估,该方法较好地合成了素描图像的几何边缘和面部细节信息,提高了素描图像的质量㊂关键词:深度学习;多尺度CycleGAN;卷积神经网络;特征增强模块;像素注意力模块中图分类号:TP391.41;TP183文献标志码:ADesign of Face Sketch Synthesis Based on Cycle⁃Generative Adversarial NetworksGE Yanliang,SUN Xiaoxiao,WANG Dongmei,WANG Xiaoxiao,TAN Shuang(School of Electrical and Information Engineering,Northeast Petroleum University,Daqing 163318,China)Abstract :At present,Face sketch synthesis has a series of problems,such as generateing fuzzy outline,lacking of detail texture and so on.Therefore,using CycleGAN(Cycle⁃Generative Adversarial Networks)as a solution to build multi⁃scale cyclegan is proposed.Method innovation is mainly reflected in:The generator adopts the deep supervised U⁃net++structure as the basis,and performs down sampling dense jump connection at its decoder;The encoder end of the generator designs the channel attention and spatial attention mechanism to form a feature enhancement module;a pixel attention module is added to the pared with some existing classical algorithms,from the subjective visual evaluation and using the existing four image quality evaluation algorithms for quality evaluation,the experimental results show that this algorithm can better synthesize the geometric edge and facial detail information of sketch image,and improve the quality of sketchimage.Key words :deep learning;multi⁃scale cycle⁃generative adversarial networks (CycleGAN);convolutional neuralnetworks(CNN);feature enhancement module;pixel attention module 0 引 言近年来,作为图像风格迁移的一个分支[1],人脸素描合成(FSS:Face Sketch Synthesis)得到广泛关注㊂人脸素描合成是指将人脸转化为相对应的素描图像,其在生活,数字娱乐,漫画制作[2]及电影制作等多个行业中应用广泛㊂2014年,Goodfellow 等[3]首次提出生成对抗网络(GAN:Generative Adversarial Network),其能提高生成图像的清晰度;特别是2017年Gulrajani 等[4]提出ImprovedGAN,对GAN 网络进行结构更改和训练,主要集中于半监督学习和更好的图像生成㊂Isola 等[5]提出 Pix2pix”网络模型,其要求图片必须成对;Zhu 等[6]提出CycleGAN,使输入图像在不配对的情况下生成不同风格的图像,完成高质量的风格传递任务㊂利用生成对抗网络进行人脸素描合成的研究已成为计算机视觉研究的热点[7]㊂笔者使用CycleGAN 网络框架应用于人脸素描合成,实验得到更加优质的素描图片㊂首先,以CycleGAN 网络架构为基础网络,构建一个多尺度特征合成的CycleGAN 实现人脸素描合成,基于U⁃Net++结构优势,使用VGG16模块[8]对U⁃Net++网络[9]结构进行改进,生成器的解码器端利用图像高级特征指导低级特征的特点,在解码器端的每层增加密集跳跃连接,增强对特征图像的提取能力,能生成高质量的图像㊂其次,在生成器中解码器端下采样的过程中添加通道注意力和空间注意力机制组成的特征增强模块(FEM:Feature Enhancement Module)㊂最后,为使生成器能合理的分摊图片低频信息和高频信息的像素权重,在生成器的框架中加入像素注意力模块㊂在CFUS 和CFUSF 数据集上的实验结果表明,与现有的一些经典方法对比,笔者的研究结果在主观视觉上,使素描图像的细节和表情纹理表现更加突出,图像边界更加清晰;在4种客观评价指标上,笔者方法在人脸素描合成上取得最好的效果㊂1 相关工作1.1 循环生成对抗网络2017年,Zhu 等[6]首次提出CycleGAN,其整体模型如图1a 所示,总网络包括两个生成器网络G X 和G Y ,以及两个鉴别器网络D X 和D Y ㊂其训练过程相当于生成器G 与鉴别器D 的相互博弈,生成器伪造的样本越来越逼真,鉴别器的鉴别技术越来越强,直到鉴别器D 分辨不出生成的素描图是真实的人脸素描还是人脸图片风格迁移后的素描,对抗过程达到平衡㊂在网络模型结构中,笔者定义两个相同的PatchGAN 结构[5]的鉴别器,结构如图1b 所示㊂鉴别器采用1组卷积层+正则化+Leaky ReLU 激活函数形式和5组卷积层+谱归一化+Leaky Relu 激活函数形式㊂X ㊁Y 分别表示人脸和素描图像组成的数据集㊂图1 循环生成对抗网络模型Fig.1 Model of cycle⁃generative adversarial networks 1.2 注意力模块由于目前的网络结构在图像特征的提取过程中存在均匀分布的特点,因此Xu 等[10]提出通道注意力模块,提高了网络对有意义的特征信息的选择能力㊂其原理是采用池化操作,进行高频特征提取,从而提高网络对有用信息的关注㊂通道注意力和空间注意力结构如图2a 和图2b 所示㊂77第1期葛延良,等:基于循环生成对抗网络的人脸素描合成网络设计图2 注意力模块Fig.2 Attention block structure 1.3 像素注意力机制人脸照片的高频信息和低频信息的分布是不均匀的,使网络能合理分摊图像特征低频信息和高频信息的像素权重,朱海琦等[11]采用一种像素注意力机制更加关注高频信息,结构如图3所示㊂图3 像素注意力机制模块Fig.3 Pixel attention mechanism block 2 改进后的生成器网络结构2.1 特征增强模块在生成器中设计由一个通道注意力和一个空间注意力级联组成的特征增强模块,以融合多层次交叉模态特征[12],以增强网络对图像特征的兼容性,提高图像高频信息的提取㊂其结构如图4所示㊂图4 特征增强模块Fig.4 Feature enhancement module 在网络中输入和输出的通道数不会发生改变,特征图通过通道注意力进行全局平均和全局最大池化学习对各通道的依赖程度,随后在把空间域的信息做对应的空间变换,增加特征信息的多样性的同时也提高了对高频图像特征信息的提取㊂具体做法如下,以F 表示输入的特征图,首先将特征图在空间维度上进行压缩,通过利用平均池化和最大池化实现特征提取上的相互补充,通过两个池化函数后可得到两个一维矢量㊂然后再通过全87吉林大学学报(信息科学版)第41卷局平均池化以特征图为单位进行特征均值提取,使网络对特征图的每个像素点都有反馈㊂而全局最大池化也为全局平均池化的一个补充,弥补了在进行梯度反向传播计算时,只有特征图中响应最大的地方才有梯度反馈的特性㊂F c avg 和F c max 分别代表经过全局最大池化和全局平均池化计算后的特征图,R 0和R 1代表多层感知模型中的两层参数层,感知模型中R 0和R 1之间特征需要使用ReLU 作为激活函数进行非线性网络加深,σ表示激活函数,通过通道注意力后得到的权重特征图M C (F )公式如下:M C (F )=σ(R 1(R 0(F c avg ))+R 1(R 0(F c avg )))㊂(1) 特征图在通道上形成注意模型,为使输入的特征图在空间层面上的部分得到更高的权重倾斜,所以在通道层面上通过使用平均池化和最大池化对输入特征图进行压缩操作,对输入特征F c 分别在通道维度上做平均和最大值采样操作,得到了两个二维的特征图,然后在通道维度叠加在一起得到一个通道数为2的特征图;最后为保证得到的特征图在空间维度上与输入的特征图一致,使用一个包含单个7×7卷积核的隐藏层对其进行卷积操作,如图3㊁图4下部分网络所示㊂这部分卷积层之间采用Sigmoid 激活函数,用μ表示,该特征图经过平均池化操作后定义为F s avg ∈R 1×H ×W ;经过最大池化操作后定义为F s max ∈R 1×H ×W ,F s max 通过空间注意力机制后权重特征图如下:M S (F )=μ(f 7×7([F s avg ;F s max ]))㊂(2)2.2 生成器设计笔者以VGG16模块[8]改进U⁃Net++的结构作为生成器,X (i ,m )表示位于U⁃Net++网络层不同位置的VGG16模块,其中i 表示模块位于第i 行,m 表示模块位于第m 列㊂首先对U⁃Net++结构网络层连接方式进行改进,网络结构解码器端利用高级特征指导低级特征的特点,在解码器端的每层增加密集跳跃连接,增强对特征图像的提取能力㊂实现方式如图5所示,解码器端的X (1,5)与X (3,3),X (4,2),X (5,1)模块进行密集跳跃连接;同理X (2,4)与X (4,2),X (5,1);X (3,3)与X (5,1)模块都采用密集跳跃连接的方式,使U⁃Net++结构的左右两端形成不对称的跳连方式,以对图像的特征信息进行多次复用和提取㊂图5 改进后生成器网络结构Fig.5 Improved generator network structure基于U⁃Net++的结构,为提高网络模型对高频信息的提取,在解码器端下采样的过程中X (4,1)到X (5,1)模块之间设计特征增强模块㊂实现方法是使用通道注意力和空间注意力级联融合多层次交叉模态特征,在特征输入的每个通道里采用全局平均池化和全局最大池化进行并联,以不同的权重值对通道里的特征进行特征提取,多尺度的进行特征提取㊂使用通过简单的卷积层[13]增强多层次深度特征和对比[14]改进深度图㊂并在通道维度上进行特征聚合,最后通过Sigmoid 函数激活;空间维度上采用最大池化和平均池化进行多尺度特征聚合㊂该方法的目的就是网络在保留多尺度信息的同时,有效提高网络多97第1期葛延良,等:基于循环生成对抗网络的人脸素描合成网络设计08吉林大学学报(信息科学版)第41卷模态特征兼容性㊂FEM不仅改善多模态图像特征的匹配性,并从图像特征中提取有用信息,还降低了低质量图像特征的冗余和噪声㊂图像信息的提取集中在第5层的X(5,1)模块,使X(5,1)和X(1,5)模块进行级联操作,在该过程中添加像素注意力模块,通过网络结构最后输出为X(1,5)模块,使生成器对像素低频信息和高频信息的像素权重的处理能合理的分摊,提高网络浅层特征利用率及深度特征的兼容性㊂2.3 损失函数CycleGAN学习从X到Y的映射,如果映射关系设置为G,则学习到的图像就是G X,然后使用鉴别器判断是否是真实图像,从而形成生成对抗网络㊂其损失函数如下:L GAN(G X,D Y)=E Y[log D Y(y)]+E X[log(1-D Y(G X(x)))],(3)其中G X计划生成与目标域中的图像完全无法区分的假图像G X(x),而D Y试图区分真假图像㊂对映射函数G Y:Y→X和鉴别器D X,笔者定义一个类似的对抗性损失:L GAN(G Y,D X)㊂基于CycleGAN网络中两个GAN网络的对称性,所有X都可以由G映射到Y空间的图像上,反之亦然㊂所以为不使损失无效,笔者不能直接使用这个损失进行训练㊂基于这种情况,定义一种损失函数,其假定生成的图像可被合成回原域㊂对X域的像,笔者训练目的X→G X(x)→G Y(G X(x))≈X;对Y域的像,笔者训练的目的是Y→G Y(y)→G X(G Y(y))≈Y㊂CycleGAN模型的关键是使用循环一致性损失的监督㊂其损失函数为L cyc(G X,G Y)=E x[G Y(G X(x))-x1]+E y[G X(G Y(y))-y1]㊂(4) CycleGAN网络结构还加入本体映射损失(Identity Loss)㊂CycleGAN使用Identity loss的目的是在迁移过程中保持原色调,约束生成器更加接近真映射,则有L il(G X,G Y)=E x[G X(x)-x1]+E y[G Y(y)-y1],(5)所以在整个CycleGAN网络中的总目标损失函数为L(G X,G Y,D X,D Y)=L GAN X+L GAN Y+λcyc L cyc+λil L il,(6)其中λcyc和λi l表示控制循环损失和本体映射损失的参数㊂3 实验与结果为验证笔者人脸素描合成框架性能,在CUFS[15]和CUFSF[16]数据集上进行训练㊂CUFS数据集中包含606对彩色人脸照片和素描,包括来自香港中文大学学生数据库的188张人脸,其中88张用于训练, 100张用于测试;来自AR数据库的123张人脸,60张用于训练,63张用于测试;还有XM2VTS数据库中的295张人脸,其中150对用于训练,145对用于测试㊂CUFSF数据集分别包括1194对黑白人脸照片和素描,其中挑选400对用于训练,694对用于测试,因为草图更加的抽象化和与原始照片没有很好的对齐增加了实验的挑战性㊂程序在pytorch1.9环境下运行,实验设备是一台Ubuntu操作系统计算机,一块NVIDIA1080Ti显卡㊂3.1 参数设置由于受实验设备条件限制,在实验过程中训练集的人脸图像被裁剪成256×256像素大小,batch_size 为5,整个实验迭代次数为200次,生成器和鉴别器使用Adam算法进行优化,优化学习率为0.0002㊂3.2 结果与分析为证明本实验对人脸素描合成的有效性,在相同的硬件环境配置下,笔者对比FCN(Fully Convolutional Networks for Semantic Segmentation)算法[17],LIE算法[18],MRF(Marcov Randon Field)算法[19],SSD(Single Shot MultiBox Detector)算法[19],GAN(Generative Adversarial Network)算法[3]以及CGAN(Conditional Generative Adversarial Network)算法[21]和笔者方法(Ours)在CUFS和CUFSF数据集上生成的人脸素描图像㊂在客观评价指标上,笔者采用的图像质量评估指标为VIF(Visual Information Fidelity)㊁FSIM(Feature Similarity Index Measure)㊁UIQI(Universal Image Quality Index)和Scoot Measure㊂分别为视觉信息保真度VIF [22],其主要适用于灰度图像,在本文中主要用于测试生成的素描图与剪裁后的艺术家绘画的素描图进行对比计算,以衡量待评图像的质量优劣㊂特征相似指数FSIM 是在结构相似指数上的延伸,FSIM 算法[23]能根据一张图片中不同的像素所占的比重不同而给予合适的权重指数㊂UIQI [24]是为各种图像处理应用而设计的,其存在的意义是可对不同类型的图像失真进行比较㊂笔者还使用结构共现纹理的测试(Scoot Measure),其针对类视觉系统具有很强的快速评估两张面部素描之间的感知相似性的能力㊂ 空间结构”和 共线纹理”是面部素描合成中两个普遍适用的感知特征,结构共线纹理测试同时考虑 空间结构”和 共线纹理”[25⁃26]㊂这些指标越接近1,说明与Target 相似度越高,重构的人脸素描与手绘素描之间的差异越小㊂对不同网络在CUFS 数据集和CUFSF 数据集生成的素描图像进行评估结果如表1㊁表2所示㊂表1 各网络架构在CUFS 数据集上素描图评估结果对比Tab.1 Comparison of sketch evaluation results of each network architecture on CUFS test setMethod FCN LLE MRF SSD GAN CGAN OursVIF 0.05990.06200.05370.06580.06450.06720.0696FSIM 0.64600.70410.70470.69380.71480.75820.7814UIQI 0.95980.95450.94850.96010.95870.97790.9850Scoot 0.45310.48010.51520.45000.48410.70740.7552表2 各网络架构在CUFSF 数据集上素描图评估结果对比Tab.2 Comparison of sketch evaluation results of each network architecture on CUFSF test set MethodFCN LLE MRF SSD GAN CGAN Ours VIF 0.06240.06410.05390.06620.06530.06710.0701FSIM0.63620.70180.70390.69540.71510.75910.7892UIQI 0.96220.95450.94860.95290.95870.97840.9886Scoot 0.45420.47690.51510.45470.48370.71760.7763 从表1中数据看出,笔者方法相较于FCN,LLE,MRF,SSD,以及GAN 和CGAN 训练得到的人脸素描图像,其各项指标均有提高㊂笔者方法和效果相对较好的CGAN 网络训练得到的人脸素描图像对比,其VIF 和FSIM 值分别提高0.0028和0.0232,UIQI 和Scoot Measure 分别提高0.0071和0.0478;从表2中数据看出,笔者方法和效果相对较好的CGAN 网络训练得到的人脸素描图像对比,其VIF 和FSIM 值分别提高0.0030和0.0301,UIQI 和Scoot Measure 分别提高0.0102和0.0587㊂由此证明笔者算法在人脸素描图像重建的有效性㊂各算法测试的视觉效果如图6㊁图7所示㊂图6 在CUFS 数据集上各算法的视觉对比结果Fig.6 The visual comparison results of each algorithm on CUFS test set 18第1期葛延良,等:基于循环生成对抗网络的人脸素描合成网络设计图7 在CUFSF 数据集上各算法的视觉对比结果Fig.7 The visual comparison results of each algorithm on CUFSF test set从主观视觉上对比,基于笔者改进的CycleGAN 生成的素描图案在图像纹理㊁阴影㊁遮挡㊁脸部线条和脸部像素分布方面更加的清晰㊂如图6所示,各算法在CUFS 数据集上测试生成的人脸素描图片,不同算法的重建素描效果图在主观视觉上,FCN,LLE,MRF 和SSD 网络重建出的图像都存在不同程度的失真和扭曲,GAN 和CGAN 重建出的素描图的面部表情稍微失真但整体轮廓更加清晰,CGAN 和笔者算法重建出的效果较好于前5种算法,但笔者算法重建出的人脸素描线条含有更多的细节信息,发丝和人眼轮廓更加清晰㊂当人脸图片换成难度更大的灰度图片时,如图7所示,各算法在CUFSF 数据集上测试生成的人脸素描图片,从主观视觉上看,在画像师画出的素描图像更抽象的条件下,FCN,LLE,MRF 和SSD 重建出的素描图像失真更严重,脸部轮廓模糊㊂笔者方法与其他网络相比,生成的人脸素描图案的脸部轮廓更清晰,而且能显示更多的脸部细节纹理,脸部线条更加流畅,五官表现清楚,更好的突出表情纹理㊂综合图6和图7,笔者的网络架构重建出的素描图像与其他网络重建的图像相比,脸部纹理细节更加丰富,能恢复出更好的轮廓边缘信息,在显示图像细节和纹理方面更具有表现性㊂综上所述,笔者网络重建的素描图像取得最好的视觉抽象效果,在感官视觉和客观指标上均优于现有的几种经典算法㊂4 结 语笔者针对在人脸素描合成过程中对特征信息的提取不充分,以及对各个特征提取通道的比重没有倾斜和丢失细节信息的问题,结合CycleGAN 网络进行研究,用于人脸素描合成的过程中对生成器的内部连接方式进行改进,以及设计特征增强模块和添加注意力机制㊂通过该网络在CUFS 和CUFSF 公共人脸数据集上进行训练,并与其他经典算法进行实验对比,笔者方法不仅主观上重建出较好的视觉效果,证明笔者算法较为成功地解决了上述问题,从而重建出逼真的细节纹理信息㊁几何特征和边缘特征;在客观评价指标上,取得了较高的FSIM 和UIQI 值以及Scoot 值,有力的证明笔者方法在人脸素描合成方面的有效性㊂未来的工作将主要研究如何设计最新的生成对抗网络得到更加优质的人脸素描合成结果㊂参考文献:[1]王楠楠.异质人脸图像合成及其应用研究[D].西安:西安电子科技大学通信工程学院,2015.WANG N N.Heterogeneous Face Image Synthesis and Its Application [D].Xi’an:School of Communication Engineering,Xi’an University of Electronic Science and Technology,2015.[2]姚赛赛.素描人脸合成与识别研究[D].济南:山东大学控制科学与工程学院,2018.28吉林大学学报(信息科学版)第41卷YAO S S.Research on Sketch Face Synthesis and Recognition [D].Jinan:School of Control Sceince and Engineering,Shandong University,2018.[3]GOODFELLOW I,POUGET⁃ABADIE J,MIRZA M,et al.Generative Adversarial Nets [J].Advances in Neural InformationProcessing Systems,2014,27.[4]GULRAJANI I,AHMED F,ARJOVSKY M,et al.Improved Training of Wasserstein Gans [P].arXiv Preprint arXiv:1704.00028,2017.[5]ISOLA P,ZHU J Y,ZHOU T,et al.Image⁃to⁃Image Translation with Conditional Adversarial Networks [C]∥Proceedings ofthe IEEE Conference on Computer Vision and Pattern Recognition.[S.l.]:IEEE,2017:1125⁃1134.[6]ZHU J Y,PARK T,ISOLA P,et al.Unpaired Image⁃to⁃Image Translation Using Cycle⁃Consistent Adversarial Networks [C]∥Proceedings of the IEEE International Conference on Computer Vision.[S.l.]:IEEE,2017:2223⁃2232.[7]BI H,LIU Z,YANG L,et al.Face Sketch Synthesis:A Survey [J].Multimedia Tools and Applications,2021,80(12):18007⁃18026.[8]PARDEDE J,SITOHANG B,AKBAR S,et al.Implementation of Transfer Learning Using VGG16on Fruit RipenessDetection [J].International Journal of Intelligent Systems &Applications,2021,13(2):127⁃134.[9]MICALLEF N,SEYCHELL D,BAJADA C J.Exploring the U⁃Net++Model for Automatic Brain Tumor Segmentation [J].IEEE Access,2021,9:125523⁃125539.[10]XU X,WANG J,ZHONG B,et al.Deep Learning⁃Based Tool Wear Prediction and Its Application for Machining ProcessUsing Multi⁃Scale Feature Fusion and Channel Attention Mechanism [J].Measurement,2021,177:109254.[11]朱海琦,李宏,李定文,等.基于生成对抗网络的单图像超分辨率重建[J].吉林大学学报(理学版),2021,59(6):1491⁃1498.ZHU H Q,LI H,LI D W,et al.Single Image Super⁃Resolution Reconstruction Based on Generative Adversarial Network [J].Journal of Jilin University (Science Edition),2021,59(6):1491⁃1498.[12]FAN D P,ZHAI Y,BORJI A,et al.BBS⁃Net:RGB⁃D Salient Object Detection with a Bifurcated Backbone Strategy Network[C]∥European Conference on Computer Vision.Cham:Springer,2020:275⁃292.[13]PIAO Y,JI W,LI J,et al.Depth⁃Induced Multi⁃Scale Recurrent Attention Network for Saliency Detection [C]∥Proceedingsof the IEEE /CVF International Conference on Computer Vision.[S.l.]:IEEE,2019:7254⁃7263.[14]ZHAO J X,CAO Y,FAN D P,et al.Contrast Prior and Fluid Pyramid Integration for RGBD Salient Object Detection [C]∥Proceedings of the IEEE /CVF Conference on Computer Vision and Pattern Recognition.[S.l.]:IEEE,2019:3927⁃3936.[15]WANG X,TANG X.Face Photo⁃Sketch Synthesis and Recognition [J].IEEE Transactions on Pattern Analysis and MachineIntelligence,2008,31(11):1955⁃1967.[16]ZHANG W,WANG X,TANG X.Coupled Information⁃Theoretic Encoding for Face Photo⁃Sketch Recognition [C]∥CVPR2011.[S.l.]:IEEE,2011:513⁃520.[17]IJJEH A A,ULLAH S,KUDELA P.Full Wavefield Processing by Using FCN for Delamination Detection [J].MechanicalSystems and Signal Processing,2021,153:107537.[18]LIU Q,TANG X,JIN H,et al.A Nonlinear Approach for Face Sketch Synthesis and Recognition [C]∥2005IEEE ComputerSociety Conference on Computer Vision and Pattern Recognition (CVPR’05).[S.l.]:IEEE,2005,1:1005⁃1010.[19]LI C,WAND M.Precomputed Real⁃Time Texture Synthesis with Markovian Generative Adversarial Networks [C]∥EuropeanConference on Computer Vision.Cham:Springer,2016:702⁃716.[20]SONG Y,BAO L,YANG Q,et al.Real⁃Time Exemplar⁃Based Face Sketch Synthesis [C]∥European Conference onComputer Vision.Cham:Springer,2014:800⁃813.[21]BI H,LI N,GUAN H,et al.A Multi⁃Scale Conditional Generative Adversarial Network for Face Sketch Synthesis [C]∥2019IEEE International Conference on Image Processing (ICIP).[S.l.]:IEEE,2019:3876⁃3880.[22]ZHANG L,LIN L,WU X,et al.End⁃To⁃End Photo⁃Sketch Generation via Fully Convolutional Representation Learning [C]∥Proceedings of the 5th ACM on International Conference on Multimedia Retrieval.[S.l.]:ACM,2015:627⁃634.[23]ZHANG L,ZHANG L,MOU X,et al.FSIM:A Feature Similarity Index for Image Quality Assessment [J].IEEETransactions on Image Processing,2011,20(8):2378⁃2386.[24]ZHOU W,BOVIK A C.A Universal Image Quality Index [J].IEEE Signal Processing Letters,2002,9(3):81⁃84.[25]MIRZA M,OSINDERO S.Conditional Generative Adversarial Nets [J].Computer Science,2014(4):2672⁃268.[26]FAN D P,ZHANG S C,WU Y H,et al.Scoot:A Perceptual Metric for Facial Sketches [C]∥Proceedings of the IEEE /CVF International Conference on Computer Vision.[S.l.]:IEEE,2019:5612⁃5622.(责任编辑:刘东亮)38第1期葛延良,等:基于循环生成对抗网络的人脸素描合成网络设计。
基于深度学习的交通图像识别技术研究
基于深度学习的交通图像识别技术研究一、介绍近年来，随着深度学习算法的发展，交通图像识别技术在交通管理、智能交通等领域中得到了广泛应用。
交通图像识别技术指的是对交通图像中的车辆、人行道、标志和信号等交通要素进行自动化检测和识别，是实现智能交通的重要技术之一。
本文主要讨论基于深度学习的交通图像识别技术研究。
二、常用算法1. 卷积神经网络（Convolutional Neural Network，CNN）卷积神经网络是深度学习中最基础的模型之一，其主要应用于图像处理中的分类、识别、检测等任务。
在交通图像识别中，卷积神经网络可以对图像中的车辆、人、红绿灯等交通要素进行分类和检测。
同时结合对象跟踪算法可以实现交通流量统计、车辆轨迹跟踪等功能。
2. 循环神经网络（Recurrent Neural Network，RNN）循环神经网络主要应用于序列数据的处理中，可以有效解决交通图像中车辆行驶速度、关键点检测等问题。
另外，循环神经网络还能用于交通场景下的行为识别，包括车辆加速、减速、变道等行为的实时监测。
3. 多尺度网络（Multi-Scale Network，MSN）多尺度网络主要是对图像进行不同尺度的分割和检测，提高对交通要素的识别准确度。
在交通图像识别中，可以通过多层次的尺度对车辆、行人、标志和信号等进行精准的检测和分类。
三、交通图像识别常用数据集1. Caltech101Caltech101是一个用于图像识别的经典数据集，包含101个不同类别的物体图片。
其中包含几个关于汽车、自行车的交通场景的数据。
2. CityscapesCityscapes是一个城市道路场景数据集，包括交通标志、道路标线、红绿灯、行人等，主要用于交通场景下的像素级别分割。
3. KITTIKITTI是一个开源的数据集，主要用于研究自动驾驶相关的技术，其中包含很多交通场景下的车辆、行人和路标等数据。
四、应用场景交通图像识别技术在智能交通、城市安全、智能安防等领域中得到了广泛应用。
轮式移动机器人系统设计与控制分析
大连理工大学硕士学位论文目录摘要………………………………………………………………………………………………………………ＩＡｂｓｔｒａｃｔ……………．………．．．．．…．………．…．．…．…．…．…………………．．．．．．．………………………．………ＩＩ１绪论……………………………………………………………………………………ｌ１．１课题研究的背景及意义………………………………………………………１１．２移动机器人的发展历史及趋势………………………………………………ｌ１．２．１国内外移动机器人的发展历史………………………………………１１．２．２移动机器人的新发展与发展趋势……………………………………３１．３本文主要研究内容………‰…………………………………………………３２移动机器人的体系结构设计…………………………………………………………５２．１移动机器人的机械结构设计和运动学模型建立……………………………５２．１．１移动机器人的机械结构………………………………………………５２．１．２移动机器人的运动学模型……………………………………………５２．２移动机器人的控制系统设计…………………………………………………７２．２．１主控制器模块…………………………………………………………７２．２．２驱动模块………………………………………………………………９２．２．３ＰＬＣ模块……………………………………………………………．．１２２．２．４相机姿态调整模块…………………………………………………．．１９２．２．５测距模块……………………………………………………………一２０２．２．６通信模块……………………………………………………………一２２２．２．７电源模块………………………………………………………………２５３Ｂａｃｋ—Ｓｔｅｐｐｉｎｇ算法在移动机器人轨迹跟踪中的研究……………………………２６３．１移动机器人路径规划与轨迹跟踪…………………………………………．２６３．１．１路径规划………………………………………………………………２６３．１．２轨迹跟踪………………………………………………………………２７３．２Ｂａｃｋ—Ｓｔｅｐｐｉｎｇ算法…………………………………………………………２７３．２．１基于Ｌｙａｐｕｎｏｖ稳定性的最优状态反馈控制器……………………．２８３．２．２Ｂａｃｋ—Ｓｔｅｐｐｉｎｇ算法的设计思想……………………………………．．２９３．３Ｂａｃｋ—Ｓｔｅｐｐｉｎｇ算法在基于运动学模型的轨迹跟踪中的实现……………３ｌ３．４实验结果及分析……………………………………………………………．３４３．５本章小结……………………………………………………………………．３６４连续曲率曲线路径在局部路径规划中的研究……………………………………．．３７轮式移动机器人系统设计及控制研究４．１局部路径规划中的连续曲率曲线的建立…………………………………．３７４．１．１直角坐标系中连续曲率曲线的建立方法……………………………３７４．１．２连续曲率曲线算法在移动机器人局部路径规划中的实现…………４１４．２实验结果及分析……………………………………………………………．４３４．３本章小结……………………………………………………………………．４５５基于模糊控制算法的移动机器人直线轨迹跟踪…………………………………．４６５．１模糊控制理论………………………………………………………………．４６５．１．１模糊控制的概念……………………………………………………一４６５．１．２模糊控制的优点……………………………………………………一４６５．２模糊控制系统………………………………………………………………．４７５．２．１模糊控制系统的组成………………………………………………．．４７５．２．２模糊控制器的设计…………………………………………………．．４８５．３模糊控制算法在移动机器人轨迹跟踪中的实现…………………………．４９５．３．１输入输出量模糊语言及其隶属度的建立…………………………一５０５．３．２模糊控制规则的设定………………………………………………。
车辆系统动力学大作业
北京交通大学机械与电子控制工程学院
移 Z w1 (t ) ， Z w2 (t ) ， Z w3 (t ) ， Z w4 (t ) 。为求得以上所有列车运行时的动态参量则需 要对该系统列 10 个微分方程。 由于该系统的动力学模型为二阶线性微分方程组， 很难给出闭式解。因此采用数值计算方法，借助 Matlab 方便的矩阵运算功能给 出系统各参量的数值解。
II
北京交通大学机械与电子控制工程学院
第一章 车辆-轨道耦合动力学模型
1.1 车辆-轨道耦合系统建模
为便于设计及其仿真优化，在车辆-轮轨动力学建模时，考虑将模型合理简 化。 并分别对具有二系悬挂的客车和轮轨之间的激扰进行模型建立。视轮轨激扰 信号为受列车运行速度影响的周期性垂向位移信号，该信号的频率，相位，幅值 应受到轮轨接触条件，列车运行速度的影响。为尽量符合实际车体动力学性能， 将轮对等效为刚体， 并将实际轮对刚度用与之刚度相同的弹簧等效。并按实际值 设置一系、二系弹簧的刚度和阻尼器阻尼值。综上车辆系统垂向，转动动力学模 型可简化为图 1-1。将列车速度、质量参数分别和轮轨激扰频率，幅值进行等效 转化， 用计算机创建带有上述特征信息的轮轨激扰，然后通过输出信号的幅值即 可方便的预测列车在某一工况下运行的平稳性。
figure18plotivv8igridonxlabel时间ntsylabel转动角速度radstitle构架1点头角速度figure19plotivv9igridonxlabel时间ntsylabel转动角速度radstitle构架2点头角速度figure20plotivv10igridonxlabel时间ntsylabel转动角速度radstitle车体点头角速度figure21plotiaa1igridonxlabel时间ntsylabel沉浮加速度ms2title轮对1沉浮加速度figure22plotiaa2igridonxlabel时间ntsylabel沉浮加速度ms2title轮对2沉浮加速度北京交通大学机械与电子控制工程学院19figure23plotiaa3igridonxlabel时间ntsylabel沉浮加速度ms2title轮对3沉浮加速度figure24plotiaa4igridonxlabel时间ntsylabel沉浮加速度ms2title轮对4沉浮加速度figure25plotiaa5igridonxlabel时间ntsylabel沉浮加速度ms2title构架1沉浮加速度
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Abstract: Based on the research trends of scheduling problem of AGVS, this paper presents a method of the scheduling problem for AGVS in FMS in order to optimize scheduling times of AGVS in FMS . The paper proposed a method to solve a set of AGVS scheduling problem using choramatic theory of graph. The paper is mainly about the application of chromatic theory of graph in the study of scheduling times of AGVS and provide an efficient method of the problem of AGVS. Based on theoretical analysis, the result shows that compared with traditional method, the proposed method has low computational complexity and simple result representation. At the same time, the number required of AGV in AGVS can be easily minimized at the background of such kind of constraint. Key words: chromatic theory of graph; automated guided vehicle system( AGVS) ; scheduling times
1. 4
图的色数
图的色数 ( chromatic number) 是着色这个图 G 所需要的最少
颜色数 , 记作 x ( G) 。
1. 5
着色算法
目前 , 尚没有一种简单有效的算 法 , 可以确定图 G 是 k 着色
的。 但我们可以用韦尔奇 鲍威尔算法 [ 4] 对图 G 进行着色 , 其方 法是 : ( 1) 将图 G 中的节点按照度数的递减次数进行排 列。 ( 这种 排列可能并不是唯一的 , 因为有些点有相同度 数。 ) ( 2) 用第一种颜色对第一点着色 , 并且按 排列次 序 , 对与前 面着色点不邻接的每一点着上同样的颜色。 ( 3) 用第二种颜色对尚未着色的 点重复 ( 2) , 用第三 种颜色 继续这种做法 , 直到所有的点全部着上色为止 。 图1 构造图 图 2 着色图
2
2. 1
本问题的解决方法
问题的描述
某车间内部 , 加工 工件 v 1, v 2, v 3 , , v n , 若 加工 完成 后 , 则 等待 AGVS 的运输 , 同时运输毛坯进行下一步的加工。 一辆 AGV 一次只能进行一种工件的毛坯 的输送 和对应 成品的 搬运。 试确 定整个运送过程中 , AGVS 所需的最小调度次数。
( 2) 对构造出的图进 行着色 我们使用韦尔奇 鲍威尔算法对图 1 进行着色 , 图 1 的 色数 x ( G) = 4 。如图 2 所示。 ( 3) 解决方案 由上面的分析 , 我们可以知道所需 的最小调 度次数 为 4, 根 据其着色情况我们做 如表 1 所示的划分。 表 1 调度顺序
排工顺序 I II III IV 搬运工件号 2, 6 4, 7 3, 5 1
待 AGV 的运 输 , 同时 运输毛坯进行下一 步的加工。 一辆 AGV 一 次只能进行一种工件的毛 坯的输 送和对 应成品 的搬运。 试 确定 整个运送过程中 , AGVS 所需的最小排工次 数。 ( 1) 构造简单无向图 构造简单无向图 G = < V, E > , 其中 V = { v 1, v 2 , v 3, , v 7} 边 { v i , vj } 输。 如图 1 所示。 如下的 工件可由同一辆 AGV 运输 : ( 1, 2) , ( 1, 4) , ( 1, 7) , ( 2, 3) , ( 2, 4) , ( 2, 5) , ( 2, 7) , ( 3, 4 ) , ( 3, 4 ) , ( 3, 6 ) , ( 3, 7) , ( 4, 5) , ( 4, 6) , ( 5 , 6) , ( 5 , 7) , ( 6 , 7) E( G ) 工件 i 和工件 j 由同一辆 AGV 进行运
2005 年第 7 期
文章编号 : 1001- 2265( 2005) 07- 0103- 02
管理技术
图的着色理论在自动导引小车调度 规划系统中的应用
孙亮1, 李益春2
( 1. 山东轻工业学院 机电工程学院 , 济南 250100; 2 中国农业银行潍坊市分行计划财务科 , 山东 潍坊 260140)
2. 3
应用实例
下面我们以一个 具体的算例 , 来说明该方法的使用 某 车间内部 , 加工 7 个工件 v 1, v 2 , v 3, , v 7, 加工完成后 , 等
合 ( vertex set) 。 ( 2) E( G ) = { e1 , e 2, ( undirected edg e) 。 ( 3) ( G) 称为关联函数 ( incidence function) , em } 是 G 的边集合 ( edge set ) , 其中 e i 为 { v i , v t } , 称 ei 为以 v i 和 v t 为 端 点 ( end vertices) 的 无 向边
管理技术
1
1. 1
组合机床与自动化加工技术
从图的 构造过程 可以看出 , 该图 的着色数 就是所需最 小的 调度次数。 我们可以根据求出的 最小的 调度次 数 , 来安排 AGVS 的具体调度方案。 V( G) , E( G) ,
相关的定义和算法
图( graph)
所谓 图 G 是 一 个 三 元 组 , 记 作 G = < ( G) > , 其中 ( 1) V ( G) = { v 1, v 2, , v n} , V( G) , 称为图 G 的结点集
ቤተ መጻሕፍቲ ባይዱ
收稿日期 : 2004- 11- 25; 修回日期 : 2004- 12- 29 作者简介 : 孙亮 ( 1976- ) , 男 , 山东即墨人 , 山东轻工业学院硕士研究生 , 主要研究方向 : AGVS 的交通控制与管理 , ( E- mail) sunl@ sdili. edu. cn。
103
根据美国物 流协会定义 , AGV 是指 装备有 电磁或 光学等 自动导 引装置 , 能够沿规定的导引路径行驶、 具有安全保护以及各种移 载功能的运输小车 , AGV 是现 代物 流系 统中 的关 键设 备之 一 , 它以电池为动力 , 进行非接触导引 , 根据实际需要可配备不同的 移载机构 , 完成相应的操作 任务。 AGV 目 前的应 用主要 集中在 生产领域 , 本文着重讨论在 生产领 域 AGVS 中 , AGVS 的 调度次 数的问题。 自动导向小车系统 ( AGVS) 用 于生 产过 程中 工件 及工 具的 运送工作 , 如何使 系 统的 运行 效率 得到 更大 的提 高 , 如何 安排 AGVS 的调度次数和调度 顺序 , 这是 调度问 题研究的 关键所 在 , 本文着重解决的是 AGVS 中调度次数最优化 的问题。随着 AGV 本身设计的不断完善 , 这几年国内外学者开始 把目光转向 AGVS 的一些具体问题的研究 , Kap- Hwan Kim 在 1995 年 提出了 一个 针对环型布局的能够使 空闲车 辆 ( idle vehicle) 在最 小的响 应时
0
引言
AGV 是自动导引小 车( automated guided vehicle) 的英 文缩写。
间下进入工作状态 的方 法 [1] 。 Daya 等 在 2003 年 提到 了一 种调 度 AGV 的算法 , 这种方法 考虑 了在加 工台 的加工 的起 止时间 , 使用了动态规划的方法 , 使 算法的性 能比较 传统的 算法的 性能 比提高到 5/ 3[ 2] , Srinivasan 等在 2004 年提 出了一 种使 用拉 格郎 日松弛法解 决了装 卸点 和 AGV 的 行走 方向的 问 题[ 3] 。Maxwell 在 1982 年提出了一种独立于 时间的 AGV 数量 估算模 型 [5] 。王 冰等在 2001 年针对空载 运行 的车时 和其 他因素 引起 的车 时提 出了不同的估算方法。同时指出了不同 的调度规则对小车数量 的影响 [ 6] 。目前 , 在对 AGVS 的 研究中 , 还没 有针 对 AGVS 在运 输过程中所需最小调 度次数的报道。在对 AGVS 设计的一 些具 体问题中 , 主要使用的基于线性规划的方法 , 该方法的特点是目 标函数 的确立直 观、 明 了 , 但 该方法的缺 点是计算量 大 , 需 要借 助专门的计算软件 来完成。目 前来看 , 还没 有发现 文献报 道对 本问题的研究 , 本文提出的问题的解决 , 在完成生产任务的前提 下 , 使 AGVS 的调度次数最少 , 有利于 延长 AGV 的使用 寿命 , 提 高生产效率。