分布式驱动电动汽车直线工况电机同步控制策略

由于分布式驱动电动汽车将驱动电机直接安装在驱动轮内或驱动轮附近,四轮之间没有硬性连接,4个电机之间的同步只能通过控制算法实现,所以同步控制算法的效能对整车的控制尤为重要。传统PID控制算法显然难以满足车辆系统高响应速度和高精度的同步要求,为此,在相邻耦合控制策略的基础上,考虑车辆系统特性,通过赋予电机间同步误差不同的权值并结合单神经元PID算法,提出了基于加权相邻耦合的单神经元PID四电机同步控制策略。通过Carsim和Matlab/Simulink联合仿真验证车辆在直线加速工况下控制策略的可行性。实验结果表明:该控制策略相较于传统PID控制策略和相邻耦合控制策略,对车辆的稳定性有更好的控制效果,车辆最大横摆角速度减少了16.0%以上,0.8 s即可达到稳定状态,横摆角速度为0。

模拟“what”通路前端视觉机制的边缘检测网络

边缘检测是图像处理工作的关键步骤之一,目前边缘检测模型基于卷积神经网络(CNNs)搭建编码-解码网络。由于现有编码网络提取特征能力有限,且忽视了神经元之间复杂的信息流向,本文模拟视网膜、外侧膝状体(LGN)和腹侧通路(“what”通路)前端V1区、V2区、V4区的生物视觉机制,搭建全新的编码网络和解码网络。编码网络模拟视网膜-LGN-V1-V2的信息传递机制,充分提取图像中的特征信息;解码网络模拟V4区的信息整合功能,设计邻近融合网络以整合编码网络的特征预测,实现特征的充分融合。该神经网络模型在BSDS500数据集和NYUD-V2数据集上进行了实验。结果表明,本文搭建的编码-解码方法的F值(ODS)为0.820,相比于LRCNet提高了0.49%。

轮廓检测深度学习模型的多尺度特征解码网络

轮廓检测旨在提取自然场景中目标形状以及区域与区域之间显著的分界线,是计算机视觉中的研究热点之一.近几年,基于卷积神经网络的轮廓检测模型取得了显著突破,这些模型由编码网络和解码网络两部分构成.编码网络一般采用现有的VGG16网络,研究者主要致力于解码网络设计.考虑到自然图像中包含许多不同尺度的轮廓,充分利用丰富的层级特征对于轮廓检测非常重要.因此,从充分利用多尺度特征的角度出发,提出一种能够有效整合不同尺度卷积特征信息的解码网络结构.将输入信息分成浅层、中层和深层3种特征,利用解码网络分别对不同尺度的特征进行整合,最后平均融合3种特征,进行图像到图像的轮廓预测,在BSDS500数据集上对模型进行评估.对比实验结果表明,模型预测的轮廓清晰,最佳数据集尺度指标达到了0.818,具有较好的性能评估指标.