基于新型A^(*)算法的田间路径规划研究

针对传统A^(*)算法不能满足喷雾机器人依据作物分布生成作业路径的特定场景需求,提出了基于传统A^(*)算法对其启发函数进行改进和再优化的新型A^(*)算法。首先,在传统A^(*)算法中加入新的启发函数项,改变路径点代价值的计算规则,引导算法更倾向于选取两侧有障碍物的路径点,满足农业机器人需沿着两侧障碍物行进的需求;接着,针对初步改进的新型A^(*)算法在障碍物距离较大时路径规划出现迂回和重复问题,通过引入路径判断函数项,根据相邻障碍物的间距设置不同路径代价函数,计算规则的触发条件,智能选择合适的代价函数公式,引导算法在两侧障碍物间距较大时更倾向于选择中间位置的路径点,进一步提高农业机器人的作业效率。经过仿真实验验证,该算法可以准确地选择最佳路径,达到预期效果。

基于GRU网络的格兰杰因果网络重构

传统格兰杰因果依赖线性动力学,无法适应非线性应用场景的需求,因此提出一种基于GRU网络的格兰杰因果网络重构方法。该方法将整个网络重构划分为每个目标节点的邻居节点选择问题,针对每个目标节点构建基于GRU网络的格兰杰因果模型,在循环神经网络中引入简单的门控机制控制信息的更新方式,并对网络输入权重施加组稀疏惩罚以提取节点间的格兰杰因果关系。然后集成每一个子网络,获得最终完整的因果网络结构,并在GRU网络建模训练过程中考虑采用正则化的优化方法。通过线性矢量自回归、非线性矢量自回归、非均匀嵌入时滞矢量自回归、Lorenz-96模型及DREAM3竞赛数据集的实验表明,所提网络鲁棒性较强、有效性较高,在网络重构性能上具有明显的优越性。

改进A^(*)和DWA算法的果园喷雾机器人路径规划

在果园喷雾机器人的运行过程中,路径规划作为果园喷雾机器人的核心问题,存在着规划出的路径平滑度低、算法搜索效率低以及靠近障碍物等问题。针对果园喷雾机器人在复杂果园环境中实时躲避动态障碍物并规划出较优的全局作业路径问题,提出了一种改进A^(*)算法和动态窗口法(dynamic window approach,DWA)的果园喷雾机器人路径规划算法。优化A^(*)算法的启发函数,使该算法能够规划出一条位于果树行间中心线的路径;通过对栅格地图中加入多个引导点,引导A^(*)算法完成果园的初步全局路径规划;结合DWA算法对初步全局路径进行追踪并实时躲避动态障碍物,完成果园喷雾机器人的全局路径规划。使用MATLAB进行仿真验证,实验结果表明,改进后的算法在躲避障碍物的同时规划出现果园行间中心线路径,路径平滑较优,能够满足果园喷雾机器人在复杂环境中作业需求。

基于神经网络广义逆的两电机变频系统内模控制

针对非线性强耦合的两电机变频系统,先利用动态BP神经网络逼近原系统的广义逆系统,然后再对复合后的伪线性系统提出了基于广义逆系统的内模控制方法,证明了闭环系统的鲁棒稳定性。最后基于S7?300PLC的平台,对系统设计做了相关的试验研究。结果表明,神经网络广义逆系统方法,不但能够很好地实现系统的解耦,而且还可以使伪线性化后的子系统开环稳定,引入的内模控制,又保证了系统的控制性能。

两电机变频系统神经网络广义逆内模控制

为了提高非线性强耦合的两电机变频调速系统的解耦控制性能和鲁棒性能,提出了基于神经网络广义逆系统的二自由度内模控制方法。先对原系统数学模型进行广义逆存在性分析,进而推导出原系统的广义逆数学模型,再用动态神经网络逼近广义逆模型,从而串接在原系统之前组成广义伪线性复合系统,实现系统的解耦线性化与开环稳定,有利于系统的综合。然后对广义伪线性系统引入二自由度内模控制,保证系统的鲁棒稳定性。最后基于S7-300的平台,做了相关的试验研究。结果表明,该方法不但能够很好地实现系统的解耦,而且当系统存在建模误差和负载扰动的情况时,仍能使系统保持高性能的控制。

基于神经网络广义逆的感应电机变频系统内模控制

为提高感应电机变频调速系统的鲁棒性和抗干扰能力,提出了基于神经网络广义逆系统的内模控制方法.在分析原系统可逆性的基础上,先用动态神经网络逼近原系统的广义逆模型,从而串接在原系统之前组成广义伪线性复合系统,实现系统的线性化与开环稳定,有利于系统的综合.再对广义伪线性系统引入内模控制,保证系统的鲁棒稳定性.采用该系统进行了阶跃响应和跟踪效果试验.结果表明,该方法能够成功地实现系统的线性化,并且当系统存在建模误差和负载扰动的情况时,仍能使系统保持高性能的控制.

基于改进PointNet++模型的苗圃树木点云分类与分割

激光点云技术可用于苗圃树木生长状态监测与管理,为农业植保机器人提供有效的靶标信息。为了进一步提高树种分类和树冠、树干内部分割的精准性,提出一种基于改进PointNet++的激光点云苗圃树木分类与分割方法。首先,调整PointNet++深度网络邻居点云的相对特征值,同时融合三维点云的低维和高维特征,充分利用各层级点云的特征。然后,将坐标注意力模块与注意力池化融合,进一步增强局部特征提取的能力,提高分类和分割的准确性。最后,针对苗圃常见树木自制了包含7类苗圃景观树木点云的数据集并用于实验。实验结果表明,提出的树种识别方法总体精度可达92.50%,平均类别精度为94.22%;提出的树冠、树干分割方法的平均交并比为89.09%。所提方法在分类和分割性能方面均明显优于经典的PointNet和PointNet++,能够为苗圃树木检测识别和农业机器人作业提供更精确的信息。

融合栅格与表面特征编码的轻量级点云分类网络

点云携带着丰富的三维特征,其分类问题一直是深度学习领域的热点。现有点云分类网络的精度已经较为理想,但参数量与计算量过于庞大,不利于实际场景下的部署。针对该问题,提出一种轻量级点云分类网络GridPoint。首先设计点云栅格化模块Gridding,根据点的坐标位置进行栅格区域划分;然后扩展坐标的高次项函数,对原始点云进行表面特征编码,增强对轮廓特征的表达;最后使用两次全局池化完成局部特征的提取与全局特征的聚合。使用经典点云数据集ModelNet40、ShapeNetCore与真实数据集ScanObjectNN进行分类与消融实验。实验结果表明,GridPoint的分类精度接近PointNet++等主流网络,差距在0.3%~2.3%之间;网络参数量与计算量分别为0.11 M与0.05 G,相较主流网络分别减少了81.7%和88.9%以上,在轻量化方面优势显著,具有良好的实用价值。