基于改进YOLOv5的露天矿山目标检测方法

目前实地部署的商用采矿无人系统大都采用激光雷达和毫米波雷达作为感知传感器,难以准确识别障碍物的类型,尤其是较远处障碍物,不利于正确决策,从而影响无人作业的安全和整体效率.针对这些问题,本文采集了不同场景的矿山数据,并提出了一种基于YOLOv5S的图像目标检测算法.该算法主要进行了三方面改进:首先,使用不同的填充策略和空间注意模块优化采样方法,提高了模型的采样能力;其次,解耦Head预测分支,让每个分支专注自己的任务;最后,优化损失函数,耦合定位和分类,实现定位和分类任务的联合优化.试验表明,三种方法在保持实时性的前提下,可将YOLOv5S的平均精度(Average Precesion, AP)从49.9%提高至58.9%,实现白天、夜间场景下不同尺度的障碍物识别.

基于激光点云特征的LiDAR-GNSS/IMU联合自动标定方法

车载多线激光雷达与GNSS/IMU系统间的数据融合可以提高智能驾驶定位系统的精度,两传感器间外部参数的标定是完成数据融合的前提.针对车辆传感器间外部参数手动测量困难、标定自动化程度低的问题,提出了一种不依赖标志物的自动标定方法,首先构建线、面两类特征点云地图并采用闭环约束减小累积误差,对两类点云地图分别提取面特征体素和线特征聚类,并将每一激光帧中的激光点与面特征体素和线特征聚类进行关联,结合基于运动标定的约束,构建最小二乘问题优化求解外部参数,最后通过实车实验验证了所提出算法的有效性和鲁棒性.

基于形貌优化的高耐撞性电动汽车一体式电池箱设计

为了提高纯电动车电池箱体的整体结构性能,针对某款一体式电池箱进行了结构优化设计,利用有限元方法对其在跌落过程中所受的应力和变形情况进行了分析;同时对其进行了模态分析。根据分析结果,以一阶模态振动频率为约束条件,以质量最小为目标函数,对一体式电池箱上盖进行了形貌优化;将优化后的模型重新做了对比分析,结果表明,优化后电动汽车电池箱的性能得到了显著地提高,在质量基本不变的情况下,最大应力降低了10.65%,最大变形降低了32.34%,一阶模态提高了107.26%,避开了路面及驱动电机的主要振动频率,证明了形貌优化方法的有效性。