基于神经网络的船体运动位姿预测方法

海上运输在全球贸易中发挥着重要作用,依靠船舶自动驾驶系统的高速环境感知和自主决策能力,可有效减少由于人为操控失误造成事故的发生率。针对远洋航行中由于船体型号多变、海域情况复杂等造成的数据集缺失问题,本文提出一种通过物理引擎人工生成波浪图像与船体运动位姿数据集的方法。同时,针对波浪与船体运动姿态的时序性特点,以及经典循环神经网络面临梯度爆炸、输入输出等长等问题,提出一种基于CNN卷积神经网络和GRU门控循环神经网络的船体运动姿态预测模型,通过卷积神经网络获取图片特征,并借助Encoder-De-coder编码解码器结构,成功实现了以较短时间的数据对未来船体运动姿态(纵摇和横摇)的长时间和高精度预测。

基于虚拟模型的互动装配目标识别方法

零件装配是产品制造过程中的关键步骤,在装配环节中,依靠互动装配中的人工智能目标识别功能,能够有效提高装配效率,减少学习成本。针对在目标识别环节中的互动装配数据集采集难度高、成本大,大量图像标注费时费力且缺乏标注标准的问题,提出了一种基于虚拟模型数据集的目标识别方法。通过基于物理渲染的图像以及在虚拟环境中能够自由调节光照与环境的特点,采集得到丰富的数据集样本;通过旋转变换,视角变换与投影变换实现从虚拟模型的三维坐标转换为数据集二维坐标,实现数据集的自动标注功能;通过与使用传统方法采集得到的真实数据集进行对比,验证了虚拟模型在目标识别上的可靠性。