摘要:复杂电磁环境下卫星信号往往淹没在背景和噪声中,传统的信号检测算法在没有准确先验知识的情况下性能急剧降低,目前基于深度学习的信号检测算法往往需要依赖专家经验的数据后处理步骤,无法对信号进行端到端检测.针对上述缺陷,提出一种基于DETR_S(DEtection with TRansformer on Signal)的卫星信号智能检测方法.DETR_S以编码器-解码器架构为基础,利用Transformer网络全局建模能力捕获频谱信息,采用多头自注意力机制有效改善频谱信息长距离依赖的问题.基于匈牙利算法的预测框匹配模块摒弃了非极大值抑制的数据后处理步骤,将信号检测问题转变为集合预测问题,使模型并行输出检测结果.引入信号重构模块,将频谱重构损失函数加入损失函数中,辅助模型挖掘频谱深层表征,提升信号检测性能.实验结果表明,在仅使用信号频谱幅度信息条件下,DETR_S能够在信噪比等于0 dB及以上对卫星信号进行精确检测(>95%),优于典型的目标检测方法.
摘要:针对移动机器人领域自适应蒙特卡洛定位算法(Adaptive Monte Carlo Localization,AMCL)在相似及变化场景下易失效的问题,本文提出基于改进YOLOv8构建语义链表为AMCL提供预定位位姿的方法,改变粒子权重更新方式,进而提升定位准确性和鲁棒性.以YOLOv8为基础,结合信息聚集-分发机制和注意力尺度序列融合模块增强其Neck部分特征融合能力,并对模型进行剪枝,提升精度和速度;利用激光SLAM(Simultaneous Localization And Mapping)构建二维栅格地图,通过改进的YOLOv8提取物体语义并映射到地图上,得到二维语义地图,根据各连续语义物体之间的关系构建语义链表;在定位过程中,将机器人识别到的物体语义信息与语义链表进行匹配,为AMCL提供预定位位姿,改变其粒子更新方式进行精确定位,并基于词袋模型降低免疫障碍物遮挡导致的语义链断裂.在相似及变化场景下进行定位对比实验,实验结果验证了本文算法的有效性.