转向架参数测定试验台位姿正解

并联机构位姿正解求解运用的Newton-Raphson迭代法对初值有很强依赖性,且收敛速度较慢,无法满足实时性要求.为此文中提出基于Levenberg-Marquardt(L-M)算法的改进BP分类神经网络结构模型和高阶收敛改进Newton-Raphson迭代法(HMNR)相结合求解并联机构位姿正解.以转向架参数测定试验台为例,借助位姿反解将轨道谱路谱转化成试验台作动器的伸缩量指令,将其给定到液压系统中,驱动试验台耦合运动模拟车体或转向架在该路谱线路上的运行状态.运用大量实际运行样本数据作为训练数据,实现了试验台位姿正解的初值求解,并与常用的基于拟牛顿算法(BFGS)的神经网络模型和量化共轭梯度(SCG)算法的神经网络模型进行对比分析.结果表明,L-M算法模型在误差性能分析上明显优于BFGS与SCG算法模型,且预测角度值误差均小于4×10^(-7),位移值误差均小于8×10^(-4).将预测值作为HMNR法的初值,进行迭代计算,较之Newton-Raphson(NR)法迭代次数减少41%,迭代时间缩短23%.将此混合策略用于试验台,进行实际相邻车端相对位姿测量试验,进一步验证了该策略的有效性.

光学遥感成像半实物仿真中坐标系统转换

构建了一种以六自由度机器人为运动平台的光学遥感成像半实物仿真系统,利用共线条件方程的齐次坐标变换形式建立了仿真系统的成像模型,并对坐标系统转换问题进行了研究。提出一种利用全站仪确定沙盘坐标系与机器人基坐标系相互转换的"两步法";通过控制机器人旋转和平移运动,提出了一种单特征靶标测量模型,实现了摄像机坐标系与机器人工具坐标系的相互转换。最后通过空间前方交会计算多个靶标的物方坐标值,与物方真值进行比较,从而对系统精度进行评价。实验结果表明,立体定位误差优于0.5 mm,验证了提出的坐标转换方法的可行性与有效性,可为遥感成像仿真系统的设计与研究提供严密的空间基准和转换模型。