针对VLSI芯片的设计与验证流程中，诊断与定位错误依赖于手工劳动且效率低下的问题，项目重点研究如何自动、高效地定位RTL级和行为级电路描述中的错误，通过设计与实现一系列形式化方法与技术，大大提高错误定位的效率与精度，从而加速芯片的设计与验证流程。项目的主要研究成果包括： （1）针对近年来出现的许多电路错误定位方法，深入研究与分析了基于位级与字级的错误定位方法的基本原理，并对各种算法进行了评估与分析；并针对不可满足子式能够显著提高错误定位效率与精度进行了深入分析。 （2）针对求解不可满足子式可以显著提高电路定位错误的效率，提出了悖论证明与悖论解析树的概念，并提出一种启发式局部搜索算法，从布尔公式的悖论证明中求解不可满足子式。基于实际测试集进行了实验对比，结果表明该算法优于同类最优算法。 （3）针对布尔不可满足子式能够帮助自动化工具迅速定位电路错误，提出了求解布尔不可满足子式的消解悖论算法。它属于一种非完全算法，对于业界常见的3-SAT和2-SAT问题非常高效。基于随机测试集进行了实验对比，结果表明消解悖论算法优于其他同类算法。 （4）随着硬件设计与验证的抽象层次越来越高，基于一阶逻辑的可满足性模逐渐成为研究热点。针对极小可满足性模的不可满足子式的求解问题，提出了基于深度优先搜索与增量式求解的算法。与目前最优算法对比，该算法能够有效地求解极小不可满足子式，并且随着公式的规模增大，算法更加高效。 （5）高速缓冲存储器（Cache）的错误定位是验证领域的研究热点与难点，对此提出了一种面向Cache的可综合伪随机验证与错误定位方法。与业界常用的方法对比，该方法的处理速度快约3个数量级，并且能够精确地定位更多的功能错误。 （6）谓词抽象技术是解决错误定位中状态空间组合爆炸问题的重要途径，而不可满足子式能够减少谓词抽象过程中精化迭代的次数。因此将两种最小不可满足子式的求解算法进行了集成与对比，并深入分析了不可满足子式在硬件谓词抽象中的作用，以及如何加速电路的错误定位过程。

随着VLSI芯片功能越来越复杂，大量的时间消耗在功能验证上，而目前错误定位仍主要依赖于手工劳动，效率低下且易于引入新的错误，因此错误自动定位方法成为新的研究热点。但是现有方法存在抽象层次低、运算复杂度高、处理电路规模有限等问题。.针对这些问题，研究基于字级求解的电路错误自动定位理论与方法；研究基于约束依赖图的高层HDL程序切片算法，以抽取有效电路；研究基于等价约简与蕴含消除的断言精化方法，以减小断言规模；研究融合字级不可满足子式与Craig插值的错误踪迹优化方法，以提高定位精度；研究基于否证分析与增量式求解的错误敏感向量压缩方法，以剔除冗余输入；面向RTL级和行为级电路描述，设计实现错误自动定位的原型系统。.本项目的研究成果，能够显著提高VLSI芯片验证的效率，有助于缩短设计周期，突破制约芯片验证的瓶颈，具有重要理论意义与实际应用价值。

1、捕获型错误：我们试图偏离熟悉环境中的常规活动，但在应当偏离的那一点上我们没能注意并进行控制加工，因此，自动加工捕获了行为，我们最终没能够偏离常规。

2、忽略型错误：例行活动的中断可能会使我们跳过一两步来执行余下部分。

3、固着型错误：自动加工步骤完成之后，一个或几个步骤可能被重复。

4、描述性错误：所意图的行为的内部描述导致在错误的对象上执行正确的行动。

5、数据驱动错误：面前涌入的感觉信息在自动行动序列中干扰了意图变量。

6、联想激活错误：强烈的联想可能引发错误的自动加工。

7、例行任务的激活不足以彻底完成该任务。2100433B

基于物理模型的三维织物模拟引擎，是三维动画、服装CAD试衣模块的基础关键性研究。由于织物的大变形和服装材料属性，需要力学、科学计算、艺术等多方面知识，使其有深度的交叉学科。本项目针对模拟引擎中屈曲（褶皱产生过程），动态碰撞处理，高性能求解计算等模拟引擎的关键问题进行研究。通过能量准则和质量矩阵约束方法获得屈曲过程，从而可以构建具有理论依据的褶皱形成过程。采用结合稀疏矩阵求解器的隐式碰撞处理来解决服装的大规模碰撞问题，将检测到的碰撞采用全局方式加入隐式方程，而不是传统的局部响应方程。采用并行化方法，结合稀疏矩阵求解器进行研究，从而解决阻碍大规模应用的根本效率问题。深入探索新型无网格模型布类的模拟，加强真实感。本研究可以为解决当前三维服装动画效果僵硬以及三维服装CAD的真实感试衣到虚拟服装展示中最有难度的问题提供新方法和理论依据，促进三维原创动画发展和中国传统服装行业信息化进程。

室内定位技术的研究发展近年来呈现出“定位更精准”与“部署更简单”的趋势。从“定位更精准”角度进行的技术研究已经较为成熟；而从“部署更简单”角度进行的技术研究才刚刚起步。现有室内定位技术往往对定位精准度给予了足够的关注，然而仅有部分近期的工作研究如何降低系统开销，更鲜有工作能够系统性地在两者间进行权衡。在很多现实生活的应用场景，现有室内定位系统的部署代价仍然过高而难以适用。本项目针对低代价的室内定位该较新的研究领域中亟需解决的理论和关键技术问题，研究基于WiFi 环境的用户自激发式弱定位方法、与结合传感器信息的用户自激发式若定位优化方法。现有的室内定位指纹技术，为现有的WLAN基础设施提供了增值的本地化服务，而不需要任何专门的硬件。基于指纹定位系统的部署需要对接收到的信号强度信息进行大量的测量，以生成位置指纹数据库。然而，这一要求在大多数室内环境中很少能得到满足。在这个项目中，我们针对上述普遍存在的问题，即当收集到的测量信号强度信息不足时，论证了现有的位置指纹方法在处理不足的位置指纹的局限性。本项目研究了一种基于最大似然估计的接收信号强度测量中降低噪声的新方法，并利用随机梯度下降算法计算位置指纹不足的位置。实验结果表明，即使只有少量的RSS测量数据，该方法也能获得较好的定位性能。特别是当每个位置的观测值较少时，该方法在定位精度上具有明显的优越性。现有的室内导航系统，大部分依赖于足够的无线信号和信号源。尽管如此，部署这样一个系统需要定期进行现场调查，这是一项耗时和劳动密集的工作。为了解决这个问题，在这个项目中，我们提出了“独木舟”（Canoe），一个考虑购物中心场景的室内导航系统。在Canoe系统中，我们不假设任何先验知识，例如楼层平面图或店铺位置、接入点位置或电源设置、历史RSS测量或指纹等，Canoe只要求店主在其店铺的入口处收集并发布RSS值，并且可以通过比较观察到的RSS值将消费者引导到这些店铺中的任何一个。消费者和商店的位置估计最大似然估计。这样，可以精确计算目标商店相对于消费者当前方向的方向，从而确定消费者应该移动的方向。我们使用真实世界的数据集进行了广泛的模拟。我们在一个真实的购物中心进行的实验表明，如果50%的商店发布RSS值，Canoe可以在30秒内精确地导航消费者，错误率低于9%。 2100433B