可佳是一个家庭服务机器人。硬件结构由一个可移动底盘、一个机械臂、两个相机构成；软件系统包括6个模块：感知、物体操纵、自然语言理解、运动规划、任务规划和整合决策。通过在线运行这些模块，机器人能够适应不可预知的动态环境。提出一个分层方法，将运动规划结果和神经网络结合，让机器人在执行动作时能够容忍传感器、齿轮间隙和人工干预造成的误差。在可佳机器人上验证了该方法，并让可佳在不断人为干扰下成功操纵微波炉烹饪爆米花。

目前，外骨骼被广泛应用于下肢运动障碍患者的步行辅助。现有外骨骼机器人大部分采用欠驱动模式，导致一系列使用问题，如行走过程中步行干扰和不自然步态。提出一种新型智能自主下肢外骨骼(Auto-LEE)，旨在改善穿戴式助行器用户体验，扩大应用范围。与传统外骨骼不同，Auto-LEE有10个自由度，所有关节都由直流电机独立驱动，使机器人能在无外部支撑下保持平衡行走。此外，在设计中采用模块化结构理念，在控制系统中考虑多模态人机交互。为验证机器人自主平衡双足行走能力，对比3种常用步态规划算法，初步实现行走实验。

实际水下环境存在海流。本文针对多自治机器人任务分配系统提出一个改进的自组织神经网络算法。该算法充分考虑自治水下机器人初始方向角和海流环境。每个自治水下机器人都参与竞争。选出实际航行路径最短的自治水下机器人作为获胜神经元，同时确保总航行路径最短。首先，初始化每个自治水下机器人的位置与方向角以及海流流速与方向。其次，通过竞争，选择海流环境下最短航行路径的水下机器人作为获胜神经元，并将该获胜神经元分配给相应目标点。为证明该算法有效性，给出相应仿真结果。

在外骨骼机器人控制研究中，识别及预测操作者运动意图是一项很大挑战。外骨骼机器人是一种检测和驱动人体运动的机械动力装置，因其复杂的人机交互技术，需要使用很多不同类型传感器。当使用各种传感器时，需要选择数据类型以进行有效传感。肌电信号能在实际运动做出之前识别预期动作，并且可以缩短外骨骼机器人控制中的时间延迟。为应用下肢外骨骼帮助行走，本文工作旨在使用不同类型传感器（包括表面肌电信号传感器）识别行走环境和区分步态周期。为此，将地面反作用力、人机相互作用力、位置传感器和表面肌电信号传感器相结合，对4个受试者进行步态实验。本文展示了在行走环境与步态周期的识别中使用表面肌电信号及其他类型传感器的实验成果。选择不同传感器类型组合、表面肌电信号传感器不同位置组合以及表面肌电信号不同特征值组合，作为有效数据类型。实验结果表明，与使用单个力学传感器相比，将表面肌电信号传感器与其结合使用，可使识别结果得到很大改善。此外，在3种不同类型传感器的不同组合中，使用表面肌电信号与位置传感器信息的组合得出最高分类准确率。当使用全部4种类型传感器时，行走环境与步态周期分类准确率分别为96.1%与97.8%。在腿部5个表面肌电传感器不同位置组合里，股内侧肌和腓肠肌组合是最有效的2种肌肉类型组合。当仅使用表面肌电信号进行分类时，该组合在行走环境识别实验中，足跟接地前与足趾离地前的情况下，分类准确率分别为74.4%与71.7%；步态周期分类准确率为68%。两组有效的表面肌电信号特征值组合分别是“平均绝对值、过零点数”与“平均绝对值、波形长度”。“平均绝对值、过零点书”特征组合在行走环境识别实验中，在足跟接地前与足趾离地前情况下，分类准确率分别为80%与77.1%；步态周期分类准确率为75.5%。上述结果表明，表面肌电信号可有效用于控制外骨骼机器人。

提出一种覆盖底层源代码到上层用户任务代码的新型层级式软件架构，用于提高无人机系统安全性与可靠性。每个软件模块采用形式化验证方法，验证其源代码是否符合设计规范，软件模块基于经过形式化验证的操作系统内核（certified kit operating system，CertiKOS），防止无人机由于意外软件故障而坠毁。考虑到无人机的机载传感器会对系统可靠性产生显著影响，对驱动传感器SPI总线与I2C总线形式化验证，并针对总线异常情况设计完成相关实验。实验结果表明，该软件架构能够有效提高无人机系统安全性与可靠性。

面对无法用单一动作解决的复杂任务时，机器人需要通过任务规划算法生成一个动作序列。现有任务规划器可以帮助智能机器人开发人员解决许多种类任务规划问题。然而，不同规划器有不同优势和劣势，没有统一准则针对问题选择规划器。本文比较了目前最先进的基于规划领域定义语言（planning domain description language, PDDL）和回答集程序（answer set programming, ASP）规划器的性能。PDDL是特别为任务规划而设计的动作语言，被广泛应用于各种规划问题。ASP主要用于知识推理，同时也能解决任务规划问题。针对这两种语言，本文使用尽可能相同的领域描述。实验结果表明，基于PDDL的规划器善于解决需要生成较多待执行动作的问题，而基于ASP的规划器更适合解决涉及对象较多的任务，或需对前提条件和后置条件做复杂推理的规划问题。针对具体机器人规划问题，本文得到的结论可以帮助研究人员从通用规划系统中选择合适规划器。

在孤独症谱系障碍（autism spectrum disorder，ASD）治疗和康复中，越来越需要引入社会交互式机器人作为辅助手段，以提升康复训练有效性和治疗多样性，缓解中国大陆和世界其它地方医疗人员短缺。为开展本次初步临床研究，在中国深圳4个不同康复设施/机构，对3个不同外观和功能的社会交互式机器人进行类似孤独症康复疗程的测试。包括52名孤独症儿童在内的74名参与者接受同时有3个不同机器人干预的测试，每位参与者与机器人交互过程由3台不同摄像机记录。统计数据源于收集的录像和大部分由参与者父母填写的问卷。初步临床研究有助于物理机器人设计和治疗环境下机器人评估。首先，设计物理机器人应优先考虑外观和功能。其次，采用类似视频中儿童注视方向和头部姿势分析注意力，定量测量儿童亲社会行为和动作（如注意力从一个特定机器人转移到其他机器人）。再次，观察计算视频剪辑中儿童与机器人探索/玩耍的时间频率，定性分析这些行为和动作。最后列举了本研究的局限性。

最近，序列异常检测被广泛应用于许多领域。这些领域中的序列数据在数据流上通常是多维的。设计同时满足检测精度和速度的数据流上多维序列异常检测方法是一个挑战。因为：（1）序列数据和庞大状态空间的维度冗余导致序列建模能力较差；（2）异常检测无法适应数据流的高速性，尤其是概念漂移会降低检测率。一方面，大多数现有序列异常检测方法集中在单维序列。另一方面，多维序列研究主要集中在静态数据集而非数据流。为提高数据流上多维序列异常检测性能，提出一种新型无监督快速和准确异常检测（fast and accurate anomaly detection，FAAD）方法，该方法包括3种算法。首先，采用一种“信息计算和最小生成树聚类”（information calculation and minimum spanning tree cluster，IMC）方法减少冗余维度。其次，为加速模型构建确保数据流上序列的检测率，提出一种“基于索引概率后缀树的随机抽样和子序列划分”（random sampling and subsequence partitioning based on the index probabilistic suffix tree，RSIPST）方法。最后，“基于模型动态调整的异常缓冲”（anomaly buffer based on model dynamic adjustment，ABMDA）方法显著降低数据流中概念漂移的影响。在流平台Storm上实施FAAD检测多维日志审计数据。与现有异常检测方法相比，FAAD在检测精度和速度方面不受概念漂移影响，具有良好性能。

为满足人们佩戴舒适性和行走环境的需求，研究人员对从3导联心电图重建12导联心电图（electrocardiogram，ECG）方法进行了一系列研究。然而，传统方法精度和实时性有待提高。本文提出一种基于卷积神经网络（convolutional neural network，CNN）的导联重构方法。使用PTB数据库进行实验分析，结果表明，该方法重构的心电信号与真实信号之间具有较高相似性和训练效率。该方法在重建病理性心电信号时的表现优于传统算法，对心脏诊断具有重要意义。该方法能够在院外环境下部署，并且能够从较少导联心电图合成标准12导联心电图，对于心脏护理具有重要意义。

针对印刷电路板（PCB）定子轴向磁通永磁电机特点，提出一种新型拓扑Halbach永磁体阵列，设计并分析应用该永磁体阵列的PCB定子轴向磁通永磁电机。与传统无铁心轴向磁通永磁电机相比，在相同尺寸、同等永磁体用量下，该新型拓扑Halbach永磁体阵列PCB定子轴向磁通永磁电机具有更高气隙磁密及每极磁通，可获得更高空载反电势，同时有效降低漏磁，使气隙磁密更接近正弦波，提升了电机整体性能。有限元分析结果和样机对比实验验证了该新型拓扑Halbach永磁体阵列PCB定子电机的合理性和有效性，为PCB定子轴向磁通永磁电机设计提供了参考依据和工程应用价值。

随着无人机行业快速发展，无人机入侵带来的威胁和挑战引起越来越多关注。雷达网络检测是无人机入侵防御的重要手段之一。为在有限雷达资源下形成紧密可靠的雷达监视网络，雷达网优化部署至关重要。然而，由于非线性且变量紧密耦合，雷达网部署优化问题难以解决。提出基于反馈机制的邻居学习策略和精英种群局部搜索策略的改进萤火虫算法，以平衡开发与探索能力，同时采用混沌序列初始化萤火虫位置，提高种群多样性。标准优化测试函数实验和典型雷达部署案例实验表明，该改进萤火虫算法比经典萤火虫算法和4个近期提出的改进算法有更好寻优性能，能有效解决雷达网部署优化问题。

In the original version of this article, there is a mistake about the result of DPCL++ (Isik et al., 2016) in Section 5.6 (Fig. 7). As reported in Isik et al. (2016), the SDR improvement was 10.3 dB, rather than 9.4 dB. For further information, the best performance in Isik et al. (2016) was 10.8 dB with the help of a more complicated architecture.