针对现有抓取检测方法无法有效感知稀疏、微弱特征，导致低光环境下机器人抓取检测性能下降的问题，提出一种融合空间-傅里叶域信息的机器人低光环境抓取检测方法。首先，该方法的骨干网络采用编-解码器结构，在网络深层特征与浅层特征融合过程中进行空间域-傅里叶域的特征提取。具体地，在空间域中通过水平和垂直方向的条带卷积捕获全局上下文信息，提取对抓取检测任务敏感的特征；在傅里叶域中分别调整振幅和相位，实现对图像细节和纹理特征的恢复。其次，引入R-CoA（Row-Column Attention）模块平衡图像全局与局部信息，并对图像进行行、列相对位置编码以强化与抓取任务相关的位置信息。最后，在低光Cornell、低光Jacquard以及所构建的低光C?Cornell数据集上分别进行验证，所提低光抓取检测方法最高准确率分别达到96.62%、92.01%和95.50%。在低光Cornell数据集（高斯噪声且γ=1.5）上，与GR-ConvNetv2（Generative Residual Convolutional Neural Network v2）、SE?ResUNet（Squeeze-and-Excitation ResUNet）相比，所提方法的准确率分别提升2.24个百分点和1.12个百分点。所提方法能够在低光环境下有效提升抓取检测的鲁棒性和准确性，为机器人在低光照条件下的抓取任务提供支持。
在机械臂路径规划算法的训练过程中，由于动作空间和状态空间巨大导致奖励稀疏，机械臂路径规划训练效率低，面对海量的状态数和动作数较难评估状态价值和动作价值。针对上述问题，提出一种基于SAC（Soft Actor-Critic）强化学习的机械臂路径规划算法。通过将示教路径融入奖励函数使机械臂在强化学习过程中对示教路径进行模仿以提高学习效率，并采用SAC算法使机械臂路径规划算法的训练更快、稳定性更好。基于所提算法和深度确定性策略梯度（DDPG）算法分别规划10条路径，所提算法和DDPG算法规划的路径与参考路径的平均距离分别是0.8 cm和1.9 cm。实验结果表明，路径模仿机制能提高训练效率，所提算法比DDPG算法能更好地探索环境，使得规划路径更加合理。
针对机场道面地下目标检测任务中，探地雷达（GPR）生成的B-scan图背景复杂、包含大量噪声，尤其是单个B-scan图不能反映地下目标的完整信息等问题，构建一种三维通道和空间注意力的UNet（3D-CSA-UNet）模型对地下目标进行自动检测。首先，设计三维通道和空间注意力并行模块（3D-CS-Block），使模型重点关注雷达C-scan中的地下目标信息，抑制背景和噪声的干扰；其次，设计多尺度的三维分割模型从雷达C-scan中提取不同大小的特征图，以增强3D-CS-Block提取目标特征的能力；最后，使用交叉熵损失函数计算每个尺度下特征图的损失值，从而提高模型的检测精度。在采集的实际机场道面地下目标数据集上，相较于3D-FCN、3D-UNet等模型，3D-CSA-UNet对于脱空、钢筋和钢筋平行目标预测的平均F1至少提高12.33、9.05、11.05个百分点。实验结果表明，3D-CSA-UNet可以较好地满足工程实际要求。
在使用探地雷达（GPR）生成的Bscan图像进行地下目标检测时，当前基于深度学习的目标检测网络模型存在训练样本需求量高、耗时长，不能区分目标显著程度，难以识别复杂目标等问题。针对以上问题，提出一种基于直方图的双阈值分割算法。首先，根据地下目标的GPR图像直方图分布特性，快速从直方图中计算出分割地下目标所需的两个阈值；然后，采用支持向量机（SVM）和LeNet的组合分类器模型对分割结果进行分类识别；最后，进行分类结果整合并统计精确度数值。相较于传统的最大类间方差法（Ostu）、迭代法等阈值分割算法，所提算法获得的地下目标分割结果结构更加完整，并且几乎不含噪声。在真实数据集上，所提算法的平均识别准确率达到了90%以上，比仅使用单一分类器的平均识别准确率提高40%以上。实验结果表明，所提算法能够同时有效分割显著和非显著性地下目标，且采用的组合分类器能够获得更好的分类结果，适用于小样本数据集的地下目标自动检测和识别。
Web应用同本地应用一样面临恶意主机威胁.如何确保暴露于用户主机中的Web应用核心算法或关键业务流程等重要信息的安全成为亟待解决的问题.针对现有JavaScript代码保护方法难以抵御动态分析且抗累积攻击效果差的问题,提出了一种具有时间多样性的JavaScript代码保护(TDJSP)方法.首先,通过程序多样化处理和路径空间模糊化,使JavaScript程序在执行时具有多样性效果,以有效抵御累积攻击;其次,检测调试器、模拟器等非正常执行环境的特征,并根据检测结果进行响应,增加攻击者进行动态分析的难度.理论分析和实验结果表明,JavaScript程序的抗逆向分析能力得到了提高,同时,其空间增长率约为3.1(优于JScrambler3),时间延迟为毫秒级.因此,该方法能够在不影响程序性能的前提下提升Web应用的安全性.
针对城市环境中全球定位系统(GPS)信号易受到高层建筑遮挡而无法提供准确位置信息的问题，提出了一种基于建筑物竖直侧平面特征及建筑物二维轮廓地图的移动机器人定位方法。该方法利用车载视觉，首先对两视图间的竖直直线特征进行匹配;然后基于匹配的竖直线特征对建筑物的竖直侧平面进行重建;最后，利用建筑物竖直侧平面特征及建筑物二维俯视轮廓地图，设计了一种基于随机采样一致性(RANSAC)的移动机器人视觉定位算法，从而解决了在建筑物方向任意的复杂城市环境中的机器人定位问题。实验结果表明，算法的平均定位误差约为3.6m，可以有效地提高移动机器人在复杂城市环境中自主定位的精度及鲁棒性。
