异常点云干扰下的车身构件鲁棒性配准方法

点云配准是大型车身构件位姿参数测量的关键方法,但现有算法在大量异常点云干扰下难以配准至有效位姿,从而导致匹配失真,进而无法保证后续机器人作业质量。针对此问题,提出一种能够有效抑制异常点云干扰的车身构件鲁棒性配准算法——鲁棒函数加权方差最小化(RFWVM)算法。建立鲁棒函数加权目标函数,通过施加随迭代次数可变的动态权重来抑制配准过程中异常点云的影响,并由高斯-牛顿法迭代完成刚性转换矩阵的求解。以高铁白车身侧墙、汽车车门框为研究对象的试验结果表明,较经典的最近点迭代(ICP)算法、方差最小化(VMM)算法、加权正负余量方差最小化(WPMAVM)算法和去伪加权方差最小化(DPWVM)算法,所提出的RFWVM算法配准精度更高,能够有效抑制各种异常点云对配准结果的影响,并具有更好的稳定性和鲁棒性,能够有效实现各类车身构件点云的精确配准。

基于改进DQN算法的应召搜潜无人水面艇路径规划方法

针对应召反潜中无人水面艇航向和航速机动的情形,提出一种基于改进深度Q学习(Deep Q-learning,DQN)算法的无人艇路径规划方法。结合应召搜潜模型,引入改进的深度强化学习(Improved-DQN,I-DQN)算法,通过联合调整无人水面艇(Unmanned Surface Vessel,USV)的动作空间、动作选择策略和奖励等,获取一条最优路径。算法采用时变动态贪婪策略,根据环境和神经网络的学习效果自适应调整USV动作选择,提高全局搜索能力并避免陷入局部最优解;结合USV所处的障碍物环境和当前位置设置分段非线性奖惩函数,保证不避碰的同时提升算法收敛速度;增加贝塞尔算法对路径平滑处理。仿真结果表明,在相同环境下新方法规划效果优于DQN算法、A^(*)算法和人工势场算法,具有更好的稳定性、收敛性和安全性。

一种基于改进YOLOv7的相机标定特征点检测方法

在基于视觉方法的军事目标检测等技术中,相机的精确标定是进行目标高精度测量的前提,同时也是开展后续图像处理、目标跟踪、三维重建的基础。相机标定的关键在于准确的检测图像中的标定特征点。以当前使用范围较广的棋盘格标定法为对象,针对受干扰(模糊、重噪声、极端姿态和大镜头失真)的标定图像难以进行特征点提取的问题,提出一种融合改进YOLOv7-tiny深度学习网络和Harris角点检测的相机标定特征点检测算法。针对原始网络在相机标定特征区域检测中的各种问题,引入Gather-and-Distribute信息聚合分发机制替换YOLOv7-tiny的加强特征提取网络(FPN)部分,提高不同层之间特征融合的能力;在主干特征提取部分后加入Biformer注意力机制,提高对小尺寸特征点候选区域的捕捉能力;在Head部分使用改进Efficient Decoupled Head解耦头,在提高精度的同时维持了较低的计算开销。测试结果表明,改进后的YOLOv7-tiny网络对特征点候选区域检测的准确率有显著的提高,达到95.3%,证明了改进后网络的有效性和可行性。

室内巡检机器人的定位方法

针对巡检机器人在室内环境进行巡检任务时无法准确到达指定位置的问题,提出一种基于激光雷达和里程计的分区域定位方法。当机器人工作在定位精度要求不高的非目标区域时,采用激光雷达加里程计的定位算法进行导航;而当机器人进入包含指定位置的目标区域时,则利用搭载在机器人上的激光测距传感器和已知位置的地标来推算机器人的当前位姿,并根据机器人的当前误差进行位姿矫正,实现机器人在目标位置的精确定位。实验结果表明:该定位方法的位置误差<2 cm,偏转角误差<1°,满足巡检机器人的定位精度要求,具备可行性和实际价值。

遮挡条件下多视角甜椒果实点云三维重构方法

为进行表型原位自动化测量,实现甜椒数字化育种和管理,针对原位果实表型测量中的目标遮挡问题,提出一种多视角甜椒果实点云的三维重构方法。通过虚拟叶片的方法,创建增强数据集,建立基于YOLO v5算法的甜椒果实识别模型,实现对不同遮挡程度果实的识别,同时,构建考虑果实位置与遮挡程度的果实表型采集算法,实现多视角的果实三维数据采集。最后,配准甜椒果实三维点云,提取甜椒表型参数,并通过温室甜椒果实表型,对点云重构方法的有效性进行验证。相较手动测量数据,果实果宽平均相对误差为1.72%,果高平均相对误差为1.60%。试验结果表明,本文所提出的甜椒原位表型点云重构方法,可为遮挡条件下作物表型提供有效的解决思路和可行方法。

基于人工势场算法改进的AGV自主避障路径规划算法及其应用

为解决AGV在瓦楞纸包装车间运行中难于从起始到目标位置寻求最优且避障的路径难题,提出了一种基于人工势场算法改进的自主避障路径规划算法。首先,将目的地与AGV的相对距离加入斥力函数中,对引力函数建立梯度,以解决目的地与障碍物较近导致的目标不可达问题;其次,在局部极小值附近增加虚拟障碍物以助力AGV逃离局部极小值区域;最后,借助二阶贝塞尔曲线对搜索到的路径实施平滑处理,确保AGV的路径可行性。仿真实验表明,改进后的人工势场算法应用于包装车间环境下AGV避障路径规划是可行且高效的。

基于LQR的自矫正路径跟踪控制器设计方法

针对农业机械自动驾驶提出了一种基于线性二次调节器(LQR)的自矫正路径跟踪控制器设计方法。该方法通过将车辆系统建模为多输入单输出(MISO)状态空间系统,使用LQR设计控制器,以实现对车辆在给定路径上的稳定跟踪和抗干扰能力。针对LQR控制器中存在的系统误差引入了基于反馈误差的自矫正机制,以实现快速准确的路径跟踪,同步降低农业机械自动驾驶中的轨迹误差值。在仿真与实验中进行了验证,并与传统LQR控制器进行比较。结果表明,该控制器设计方法可以有效实现自动驾驶农业机械在复杂路径上的精确跟踪和强鲁棒性性能,曲线路径跟踪平均最大横向误差小于等于0.0530m,平均最大绝对平均误差小于等于0.0331,平均标准差小于等于0.0273m。

基于改进分布估计算法的能耗最优AUV路径规划算法与仿真研究

针对经典基于等宽度直方图的分布估计算法(FWH)在解决自主水下机器人(AUV)路径规划问题中易陷入局部极值、计算精度不高等问题,提出一种受粒子群优化算法启发的改进分布估计算法.通过将FWH与粒子群优化算法中优势个体的部分筛选机制相结合的方法,组成双重优势个体产生方法,提高AUV路径规划最优路径的精度,增加收敛速度.在水下数字高程模型环境中对经典分布估计算法、PSO算法、A*算法以及改进后的算法进行性能评估.仿真结果表明,相比于改进前的算法,新的算法计算出的能耗值减少24.9%,有效增加计算精度,避免陷入局部极值,提高效率.

多传感器融合的火灾监测机器人设计

针对目前火灾报警系统不能应用在城市中非密闭空间的问题,提出一种适用于非密闭空间的多传感器融合的火灾监测机器人。该机器人采用履带式结构适应多地形移动,根据城市内非密闭下空间火势初期主要特征参数确定采集模块的搭建;利用D-S证据理论对多传感器火灾数据进行融合检测,以降低单个传感器的误报率,来提高对非密闭空间火灾事故的精确判定,并对火灾进行现场警报与远程回传。实验表明,与单一传感器判断相比,引入D-S证据理论的火灾监测机器人的火灾检测不确定性下降,检测精度得到了提高。

基于MPC与Stanley的农机路径跟踪融合控制算法

针对智能农机的路径跟踪问题,基于模型预测控制(MPC)与Stanley控制提出一种融合控制算法。在农机运动学模型基础上,运用MPC算法设计路径跟踪控制律。在MPC算法的基础上通过权重系数与Stanley算法进行融合,并采用模糊规则对权重系数进行动态修正。搭建Carsim与Matlab/Simulink联合仿真平台,分别以不同速度对直线路径与圆形路径进行跟踪实验。结果表明,文中算法的控制性能优于常规MPC算法,在跟踪过程的前半段更为迅速,在跟踪过程的后半段更加平稳,直线路径跟踪误差在±2.5cm以内,特别适于农机初始位置偏差较大以及行驶速度较高的应用场合。

基于模糊滑模控制器的机械臂自适应控制研究

为提高机械臂自适应控制精度,研究了基于模糊滑模控制器的机械臂自适应控制方法。通过设计干扰观测器,可以估计机械臂动力学模型内的外界干扰值;依据外界干扰值,对机械臂进行前馈补偿控制;以前馈补偿控制力矩为基础,设计模糊滑模控制器,完成机械臂自适应控制。实验结果表明,该方法可有效自适应控制机械臂,令机械臂各关节运行轨迹精准跟踪指定轨迹,且控制后的运行轨迹平滑,无抖动现象,即该方法可提升机械臂自适应控制精度与抗干扰性。

基于UWB的室内物料搬运机器人设计

文章针对目前室内物料搬运机器人的定位精度低、在获取机器人的姿态信息时对IMU或其他导航器件的依赖性很大等问题,基于UWB设计了一种室内物料搬运机器人。文章从硬件与软件两个方面对机器人进行设计,该机器人导航不需要用到IMU等相关器件,即可获取机器人的实时姿态信息,并且能够使机器人完成物料运送等工作。设计采用TDOA定位算法实现机器人的定位,通过改进的K-C算法提升定位精度,基于UWB的机器人姿态解算算法获取得到机器人的机体姿态数据,经试验验证了该算法的有效性和机器人的可靠性。

基于深度学习的移动机器人语义SLAM方法研究

为了给移动机器人提供细节丰富的三维语义地图,支撑机器人的精准定位,本文提出一种结合RGB-D信息与深度学习结果的机器人语义同步定位与建图方法。改进了ORB-SLAM2算法的框架,提出一种可以构建稠密点云地图的视觉同步定位与建图系统;将深度学习的目标检测算法YOLO v5与视觉同步定位与建图系统融合,反映射为三维点云语义标签,结合点云分割完成数据关联和物体模型更新,并用八叉树的地图形式存储地图信息;基于移动机器人平台,在实验室环境下开展移动机器人三维语义同步定位与建图实验,实验结果验证了本文语义同步定位与建图算法的语义信息映射、点云分割与语义信息匹配以及三维语义地图构建的有效性。

面向智能制造仿真实验的产线数字孪生建模

针对智能制造领域人才培养中,实践教学存在的成本高、安全保证难等问题,该研究构建了智能制造仿真实验系统。首先,以智能产线为基础、车间信息化平台为桥梁,融合产线数字孪生技术,构建了面向智能制造仿真实验的数字孪生系统框架;其次,对系统中包含的产线物理实体模型、数据采集及车间信息化平台、数字孪生产线的多维度模型及智能制造仿真实验平台展开了详细阐述;最后设计产线生产调度优化实验,验证了该数字孪生仿真实验系统的有效性。

移动机器人视觉里程计技术研究综述

随着移动机器人技术不断发展,里程计技术已经成为移动机器人实现环境感知的关键技术,其发展水平对提高机器人的自主化和智能化具有重要意义。首先,系统阐述了同步定位与地图构建(Simultaneous localization and mapping,SLAM)中激光SLAM和视觉SLAM的发展近况,阐述了经典SLAM框架及其数学描述,简要介绍了3类常见相机的相机模型及其视觉里程计的数学描述。其次,分别对传统视觉里程计和深度学习里程计的研究进展进行系统阐述。对比分析了近10年来各类里程计算法的优势与不足。另外,对比分析了7种常用数据集的性能。最后,从精度、鲁棒性、数据集、多模态等方面总结了里程计技术面临的问题,从提高算法实时性、鲁棒性等方面展望了视觉里程计的发展趋势为:更加智能化、小型化新型传感器的发展;与无监督学习融合;语义表达技术的提高;集群机器人协同技术的发展。

改进RRT算法的采摘机械臂路径规划

针对采用传统的快速随机扩展树(RRT)算法的采摘机械臂在果园工作环境中搜索路径时间长,最终路径不平滑、拐点多等问题,提出了一种改进的RRT避障算法。改进的算法采用高斯采样策略,减少了采样的随机性,避免产生更多不必要的随机树,增加规划的导向性;再添加A*代价函数去除路径的冗余点,最后使用贪婪算法简化路径,减少拐点,让机械臂可以快速、准确、平稳地沿着最佳路径运动到目标点。仿真表明,改进后的算法有效地减少了路径规划的时间,缩短了路径长度,具有良好的可行性和有效性。

基于多线激光雷达的井下斜坡道无人矿卡定位与建图方法

井下斜坡道的定位与建图是实现井下斜坡道无人驾驶的关键技术之一,矿山井下斜坡道区域为典型非结构化环境特征,且道路具有一定倾斜角度,采用传统SLAM算法无法获得精确里程计信息,导致定位与建图精度难以满足无人矿卡行驶需求。针对上述问题,通过研究激光SLAM(Simultaneous Localization And Mapping)算法LeGO-LOAM,笔者提出一种适用于矿山井下斜坡道环境的定位与建图方法。首先,针对井下斜坡道口两侧均为光滑水泥墙壁,特征点稀少问题,设计了基于人工路标的辅助增强定位方法,有效增加点云特征数量,从而优化位姿估计结果,避免建图漂移现象;然后在特征预处理阶段,提出了一种基于激光点云高度差与坡度信息融合的提取地面点高效算法,通过改善地面地点的选取策略,针对倾斜坑洼路面仍能有效识别地面点,解决了井下斜坡道定位与建图倾斜角度大、误差大等问题;其次,基于CVC(Curved-Voxel Clustering)聚类算法设计了一种斜坡道点云曲率体素聚类算法,采用曲率体素和基于哈希的数据结构对点云进行分割,大幅提高在井下稀疏、噪声环境下点云聚类的鲁棒性;最后,运用Scan-To-Map进行点云匹配,同时兼顾点云配准的性能与速度。在中钢集团山东某井下斜坡道的现场实验证明:与原算法相比精度提升13.15%,Z轴误差降低22.3%,地图质量明显提升,能有效解决井下无人驾驶建图及定位的难题。

采用社会约束自适应动态窗口法的服务机器人路径规划

针对传统动态窗口法在行人密集环境下动态路径规划存在灵活性差、效率低、安全性缺乏等问题,提出一种社会交互空间下基于社会约束自适应动态窗口法(social_DWA),并采用其解决服务机器人局部路径规划问题。首先,采用非对称高斯公式对单行人以及多人群组交互空间进行模型化描述;其次,在传统动态窗口法的基础上,采用动态行人方位角约束对动态行人进行避让;改进距离评价函数,分类决策与行人、多人群组、一般障碍物的安全距离;最后,提出速度权重自适应调整策略,优化服务机器人在途经不同密集度社会交互区域时的移动速度。为验证算法有效性,在两种模拟社会场景下,先后开展了social_DWA算法与传统DWA算法、FIDWA算法的路径规划仿真对比实验。结果表明:采用social_DWA算法所消耗的运动时间在场景1中较传统DWA和FIDWA算法分别缩短了1.53、0.43 s,在场景2中较传统DWA和FIDWA算法分别缩短了26.3、2.86 s;相较于传统DWA算法和FIDWA算法,social_DWA算法能保持有效的行人安全距离,并使运行轨迹更加合理。social_DWA算法在行人避让、环境适应能力等方面具有一定的优越性。

基于CFS-YOLO算法的复杂工况环境下煤矸图像识别方法

针对煤矿高噪声、低照度、运动模糊与大批量煤矸混杂等复杂工况环境因素导致煤矸识别存在误检、漏检以及检测精度低的问题,提出一种基于CFS-YOLO算法的煤矸智能识别模型。采用ConvNeXt V2(Convolutional Neural Network with NeXt Units Version 2)特征提取模块替换主干网络末端的2个C3(Cross Stage Partial Bottle Neck Mudule)模块,通过将掩码自动编码器(Masked Autoencoders,MAE)和全局响应归一化(Global Response Normalization,GRN)层添加到ConvNeXt架构中,有效缓解特征崩溃问题以及保持特征在网络传递过程中的多样性;采用Focal-EIOU(Focal and Efficient Intersection Over Union)损失函数替换原CIOU(Computer Intersection Over Union)损失函数,通过其Focal-Loss机制和调整样本权重的方式优化边界框回归任务中的样本不平衡问题,提高模型的收敛速度和定位精度;添加无参注意力机制(Simple Attention Mechanism,SimAM)于主干网络每个C3模块的后端,凭借其注意力权重自适应调整策略,提升模型对尺度变化较大或低分辨率煤矸目标关键特征的提取能力。通过消融试验和对比试验验证所提CFS-YOLO模型的有效性与优越性。试验结果表明:CFS-YOLO模型对于煤矸在煤矿高噪声、低照度、运动模糊与大批量煤矸混杂等复杂环境下的检测效果均得到有效提高,模型的平均精度均值达到90.2%,相较于原YOLOv5s模型的平均精度均值提高了3.7%,平均检测速度达到90.09 FPS,可充分满足煤矸实时检测的需求。同时与YOLOv5s、YOLOv7-tiny与YOLOv8n等6种YOLO系列算法相比,CFS-YOLO模型对煤矿复杂环境的适应性最强且综合检测性能最佳,可为煤矸的智能高效分选提供技术支持。

多约束条件下四旋翼机动轨迹跟踪一体化控制方法

四旋翼无人机高动态飞行需求的增加使其成为一个越来越热门的研究主题。针对四旋翼执行废墟裂缝和树林缝隙穿越任务时的大机动轨迹状态跟踪控制问题,提出基于模型预测控制的一体化控制方法,包含多约束条件下的高机动轨迹规划和多参考状态量的一体化跟踪控制,并通过飞行试验验证了所提方法相比前馈PID控制方法在跟踪规划的高机动轨迹时的优越性能。在飞行试验中,四旋翼成功穿越了60°滚转角的窄框,其实际滚转角达到60°大角度的同时,z轴误差仅为0.065 m。