基于PG-RRT算法的移动机器人路径规划

路径规划问题是移动机器人领域的重点问题,也是发展移动式机器人智能工厂的基础。快速扩展随机树算法(RRT算法)由于其良好的求解性,广泛应用于移动机器人路径规划。针对RRT算法面对复杂地图时随机采样效率低、路径重复性差的问题,提出一种基于模拟植物生长引导的RRT移动机器人路径规划算法(PG-RRT算法),提升了路径寻优的稳定性和效率。利用植物生长遵循的三大原则(向光性原则、遮挡物影响原则、负向地性原则),结合变步长技术、膨胀技术快速得到用于RRT算法采样的PG膨胀引导域,并得到最终路径。多组不同障碍物地图的仿真实验表明:相比于传统RRT算法和单一PG算法,PG-RRT算法减少了迭代次数,获得了更优的路径距离,而相比于A~*算法,该算法则大大缩短了计算时间。最后通过基于ROS系统机器人平台的实车测试,验证了PG-RRT算法的实用性。

基于深度学习的不规则特征识别检测技术

针对目前工业上金属轴零件在加工的过程中可能由于加工失误、本身材质等原因产生不同缺陷,而传统的检测方法检测精度和泛化能力有限的现状,课题组提出了基于深度学习的不规则特征识别技术,来提升对金属轴表面缺陷的检测效率。课题组设计了金属轴表面缺陷图像预处理方法,提升采集的缺陷图像的质量;对传统深度学习FasterR-CNN进行改进,设计了模型的特征提取网络、RPN网络、分类网络以及模型参数,提升模型的检测性能。实验结果表明本技术能有效提升工业流水线对金属轴缺陷的检测效率和精度,可同时检测多种不同种类的缺陷。课题组的研究成果具备良好的泛化能力。