针对多自主水下航行器(Autonomous Underwater Vehicle,AUV)的全覆盖路径规划问题,提出了一种考虑随机初始位置约束的多AUV覆盖路径规划方法(Dividing Areas based on Robots Initial Positions CPP,DARIP-CPP)。根据多自主水下机器人...针对多自主水下航行器(Autonomous Underwater Vehicle,AUV)的全覆盖路径规划问题,提出了一种考虑随机初始位置约束的多AUV覆盖路径规划方法(Dividing Areas based on Robots Initial Positions CPP,DARIP-CPP)。根据多自主水下机器人的随机初始位置对工作海域进行均衡区域划分,将划分所得的不重叠区域分配给多AUV进行独立覆盖路径规划,每台AUV利用生物启发神经网络(Bio-inspired Neural Network)优化各个区域的全覆盖路径。为了克服传统全覆盖路径规划中的“死区”问题,采用A^(*)路径规划算法进行“死区”逃离,沿着较短的路径快速到达未覆盖区域点。仿真结果表明,所提出的DARIPCPP方法可有效提高多AUV全覆盖目标区域的工作效率。展开更多
行人重识别虽已取得了显著进展,但在实际应用场景中,不同障碍物引起的遮挡问题仍然是一个亟待解决的挑战。为了从被遮挡行人中提取更有效的特征,提出了一种基于可学习掩模和位置编码(Learnable mask and position encoding, LMPE)的遮...行人重识别虽已取得了显著进展,但在实际应用场景中,不同障碍物引起的遮挡问题仍然是一个亟待解决的挑战。为了从被遮挡行人中提取更有效的特征,提出了一种基于可学习掩模和位置编码(Learnable mask and position encoding, LMPE)的遮挡行人重识别方法。首先,引入了一种可学习的双路注意力掩模生成器(Learnable dual attention mask generator, LDAMG),生成的掩模能够适应不同遮挡模式,显著提升了对被遮挡行人的识别准确性。该模块可以使网络更灵活,能更好地适应多样性的遮挡情况,有效克服了遮挡带来的困扰。同时,该网络通过掩模学习上下文信息,进一步增强了对行人所处场景的理解力。此外,为了解决Transformer位置信息损耗问题,引入了遮挡感知位置编码融合(Occlusion aware position encoding fusion, OAPEF)模块。该模块进行不同层次位置编码融合,使网络获得更强的表达能力。通过全方位整合图像位置编码,可以更准确地理解行人间的空间关系,提高模型对遮挡情况的适应能力。最后,仿真实验表明,本文提出的LMPE在Occluded-Duke和Occluded-ReID遮挡数据集以及Market-1501和DukeMTMC-ReID无遮挡数据集上都取得了较好的效果,验证了本文方法的有效性和优越性。展开更多
文摘在对享受基于位置服务(LBS)用户进行位置隐私保护时,传统k-匿名技术在执行匿名操作时没有全面考虑时间开销和位置背景信息。针对上述问题,提出了一种基于Alt-Geohash编码的k-匿名位置隐私保护方案(k-anonymous location privacy protection scheme based on Alt-Geohash coding,KLPPS-AGC)。首先,通过位置泛化和Alt-Geohash编码技术实现对历史数据的快速检索;其次,根据历史查询概率筛选出能与用户构建高位置熵的位置;再次,利用海伦公式改善匿名集的位置分散度;最后,构建安全匿名集实现对用户的位置隐私保护。实验证明,该方案拥有较低的时间开销和较高的隐私性。
文摘针对多自主水下航行器(Autonomous Underwater Vehicle,AUV)的全覆盖路径规划问题,提出了一种考虑随机初始位置约束的多AUV覆盖路径规划方法(Dividing Areas based on Robots Initial Positions CPP,DARIP-CPP)。根据多自主水下机器人的随机初始位置对工作海域进行均衡区域划分,将划分所得的不重叠区域分配给多AUV进行独立覆盖路径规划,每台AUV利用生物启发神经网络(Bio-inspired Neural Network)优化各个区域的全覆盖路径。为了克服传统全覆盖路径规划中的“死区”问题,采用A^(*)路径规划算法进行“死区”逃离,沿着较短的路径快速到达未覆盖区域点。仿真结果表明,所提出的DARIPCPP方法可有效提高多AUV全覆盖目标区域的工作效率。
