实验室最新研究成果

发表论文

研究论文：

作者: 周治国、冯新、邸顺帆、周学华

发表时间: 2024

期刊: IEEE Transactions on Intelligent Vehicles

链接: https://ieeexplore.ieee.org/document/10298797 在线发表

摘要：

基于多线激光雷达的同步定位与建图(Simultaneous Localization and Mapping, SLAM)技术可以在未知环境中实现机器人的实时定位并构建环境地图。
然而，以这种方式构建的三维点云地图无法直接用于导航。同时，在复杂动态场景的建图过程中，动态物体的干扰会产生带有伪影的地图，这些伪影以障碍物的形式存在于地图中，对后续的导航造成不利影响。
为了解决这些问题，我们提出了一种适用于动态环境下机器人导航的激光雷达建图系统。
首先，提出了一种基于强度扫描上下文(ISC)闭环检测的激光雷达SLAM算法，构建原始三维点云图像，该算法可以有效抑制里程表位姿漂移，并在增加闭环检测模块的同时保证了算法的实时性。然后设计了一种获得适合机器人导航的二维栅格地图的方法，在滤除原始点云图中由动态物体轨迹引起的假性障碍物后，采用复合滤波器对点云地图进行进一步滤波，避免地面点云不均匀对导航造成的影响，再通过概率更新得到二维栅格地图。
实验结果表明，该建图系统适用于全局导航，在KITTI数据集上，所提出的算法的定位精度比LeGO-LOAM高46.5%，平均定位精度比LIO-SAM高59%，且运行时间最多增加了0.42%。

A Residual Network with Efficient Transformer for Lightweight Image Super-Resolution

作者: 严奉琦、李绍焜、周治国、时永刚

发表时间: 2024

期刊: Electronics

链接: https://ieeexplore.ieee.org/document/10298797在线发表

摘要：

近年来，深度学习方法在单图像超分辨率（SISR）领域取得了显著的成果。为了获得更好的性能，大多数现有的方法都集中在构建更复杂的网络，这需要大量的计算资源，从而大大阻碍了超分辨率技术的进步和实际应用。此外，许多轻量级超分辨率网络采用知识蒸馏策略来减少网络参数，这会大大降低推理速度。
为了应对这些挑战，我们提出了一种具有高效Transformer的残差网络（RNET）。RNET包含三个有效的设计元素。首先，我们使用蓝图可分离卷积（BSConv）代替传统的卷积，有效地减少了计算工作量。其次，我们提出了一个残余连接结构的局部特征提取，简化特征聚合和加速推理。第三，我们引入了一个高效的Transformer模块，以增强网络聚合上下文特征的能力，从而使恢复的图像具有更丰富的纹理细节。此外，空间注意力和通道注意力机制被集成到我们的模型中，进一步增强了它的能力。我们在五个常用基准数据集上评估了我们的方法。通过这些创新，我们的网络在所有测试集上的性能都优于现有的高效SR方法，用最少的参数实现了最佳性能，特别是在图像纹理细节增强方面。

调研综述：
1、
摘要：
链接：

会议文章：
1、
摘要：
链接：

项目进展

项目名称：

项目描述： [项目的简要描述]

项目成员： [参与该项目的实验室成员列表]

项目状态： [项目的当前状态，如进行中、已完成等]

承办赛事

赛事名称：
第十二届全国海洋航行器设计与制作大赛C4智能导航赛道（Maritime-Intelligent-Navigation）

赛事描述：
我们开发了支持在unity提供的海洋环境中模拟无人艇导航与避障训练的仿真平台，用于支持国海洋航行器设计与制作大赛C4智能导航赛道，与全国海洋航行器设计与制作大赛组织者协调设计，该项目提供与现在和未来该项比赛中C4赛道类似的竞技场和任务，可以通过百度网盘链接获取unity平台的仿真环境工程文件。

赛事链接：海上智能导航赛道