融合光流与多视角几何的动态视觉SLAM系统

视觉同步定位与地图构建(SLAM)在动态干扰的情况下,导致定位精度下降且无法准确构建静态地图,提出一种结合光流和多视角几何的动态视觉SLAM系统,该系统是在ORB-SLAM2的基础上进行改进的。在追踪线程中引入处理后的光流信息,结合多视图几何,得到动态区域掩码对视野内图像帧进行分割,实现动态区域检测并滤除动态区域中的特征点,在保证视觉SLAM系统实时性的同时提高追踪准确度,替换原本的地图构建线程。在新的地图构建线程中,引入光流信息及Mobile NetV2实例分割网络。利用实例分割网络分割结果结合光流动态区域掩码对获取到的有序点云逐层分割,解决地图构建中动态物体造成的“拖影”问题。同时对分割后的点云团融合语义信息,最终构建静态语义八叉树地图。在TUM Dynamic Objects数据集上的实验结果表明,相较于ORB-SLAM2,在高动态场景序列测试中,该算法的定位精度平均提升70.4%,最高可提升90%。

复杂环境下改进RRT算法的机械臂路径规划

针对标准快速扩展随机树(Rapidly Exploring Random Tree,RRT)算法在复杂环境下存在盲目扩展、陷入局部搜索易导致规划失败、采样成功率低、路径冗长等问题,提出一种自适应目标导向策略结合区域采样备选策略以及贪婪剪枝策略的改进RRT算法。在机械臂运动学基础上,用包络简化机械臂模型来提高碰撞检测的效率;自适应目标导向策略解决了复杂环境中RRT算法盲目搜索、搜索成功率低、不易收敛的问题;区域采样备选策略解决了RRT算法易陷入局部搜索、采样成功率低以及采样时间长的问题;贪婪剪枝策略剔除了冗余节点,缩短了路径,提升了路径质量,增强了算法的鲁棒性。在Matlab软件和机器人操作系统(Robot Operating System,ROS)中对不同场景进行了避障仿真规划。结果表明,改进RRT算法平均搜索成功率提高了82.4%,平均采样成功率提高了67.5%,平均路径规划成功率提高了70%,平均时间效率提高了81.9%,平均路径长度缩短了63.05%。最后,对实体机械臂进行轨迹规划,进一步验证了算法的实用性与有效性。

外骨骼关节驱动神经网络滑模力控制研究

针对外骨骼机器人液压关节驱动系统具有非线性、不确定参数等特性,导致模型建立困难以及负重时具有不确定冲击扰动的问题,基于电液伺服系统特性,建立以弹性负载为外负载的数学模型。为减小负重时冲击扰动项对力控制的影响,引入径向基(RBF)神经网络对干扰项进行补偿,设计一种基于RBF神经网络的滑模力控制策略。通过系统特性进一步验证模型可行性,并进行仿真试验对比。结果表明:与PID控制相比,所设计的控制策略响应时间更短,跟踪误差缩小70.5%;变负载工况下,所设计的控制策略具有更好的跟随能力、更强的鲁棒性能,可以满足外骨骼机器人关节驱动的力控制要求。平台试验进一步验证了仿真结果的有效性与正确性。

基于RBF神经网络模糊PID控制的电液伺服系统

采用普通PID控制的复杂电液伺服控制系统(液压驱动的控制系统)存在控制柔顺性不佳的问题,达不到理想的控制效果,为了提高电液伺服系统的控制特性,提出了一种基于径向基神经网络(RBF)模糊PID的控制策略。首先,理论推导了伺服阀控液压缸的状态空间方程,建立了液压系统相关的数字模型;然后,在普通PID控制策略的基础上,提出了一种基于径向基(RBF)神经网络的模糊PID控制策略,并结合电液伺服系统的特性,调整了其模糊控制规则;最后,在空载和负载两种工况下,对该电液伺服系统进行了MATLAB/Simulink仿真,并对基于不同控制策略的电液伺服系统的特性进行了对比分析,验证了基于径向基(RBF)神经网络的模糊PID控制策略的优越性。研究结果表明:在空载工况下,普通PID控制和模糊PID控制的响应速度都在10 s以上,超调量较大,且加入负载后调整时间较长,对于负载干扰后的恢复能力较差;而RBF神经网络模糊PID控制在空载工况下的控制响应速度仅为4.23 s,超调量降低为4.16%,加入负载后,整定2.56 s后即可回归稳定状态;基于RBF神经网络模糊PID控制策略的抗干扰性更好、鲁棒性更强,可以更好地满足电液伺服系统的控制要求。