机器人路径规划中快速扩展随机树算法的改进研究

针对基本快速扩展随机树(RRT)算法在路径规划中具有树的扩展随机性大、冗余节点多、容易在目标点周围发生振荡、规划的路径较长等问题,提出了一种改进的RRT算法。该算法首先采用目标偏向策略,通过引入动态权重系数使树尽可能地在向目标点进行扩展的同时又能够即时地避开障碍物;利用自适应扩展步长减少树在目标点附近的振荡;最后,对路径进行剪枝处理,并用三次B样条曲线对剪枝后的路径进行平滑处理。仿真分析的结果表明,与基本RRT算法相比,改进的RRT算法有效减少了冗余节点数,规划的路径更短,减少了19.56%,同时规划时间大大降低,减少了54.08%,有效地提高了路径规划的效率。

融合多注意力机制的卷积神经网络轴承故障诊断方法

针对卷积神经网络学习关键故障特征的能力不足从而影响轴承故障诊断准确率的问题,提出一种融合多注意力机制的卷积神经网络自适应抗噪模型(MACNN)。利用通道和时间的复合注意力机制优化学习机制,从不同角度抑制噪声及无关信号分量等干扰信息的影响,并自适应地增强故障特征的响应;引入残差连接,防止网络性能退化。采用多尺度特征提取方法,通过通道注意力机制自适应融合不同尺度下提取的特征。使用分类器进行滚动轴承故障诊断。实验结果表明:与没有实施注意力机制的模型相比,轴承故障诊断准确率平均提升了22.12%;所提方法在各噪声背景下的故障识别准确率均在98.5%以上,验证了其自适应抗噪能力;在跨载荷实验中,模型故障诊断准确率保持在88%以上,相比其他方法,MACNN的抗噪性能和稳定性更优。