基于卷积神经网络的采摘机械臂无碰撞运动规划研究

介绍了卷积神经网络的基本结构及其工作原理,基于DH参数法建立了采摘机械臂运动模型,并设计了一套采摘机械臂无碰撞运动规划算法,旨在实现对采摘机械臂的精确控制。MatLab仿真试验表明:采摘机械臂在系统的驱动控制下,能够准确从起点移动到目标点,轨迹比较圆滑,且能以最优的圆弧路径避开障碍物,优化效果明显,能够满足采摘机器人作业需求,证实了该算法的稳定性和可靠性。

基于深度学习神经网络技术的脊柱椎弓根螺钉自动规划研究

目的:针对骨科手术机器人螺钉手工规划效率低下的问题,实现基于CT的脊柱椎弓根螺钉自动、高效、高质量规划。方法:采用深度学习神经网络对标注分割和螺钉的CT图像进行有监督的机器学习,实现脊柱椎弓根螺钉的自动规划;本实验使用44例腰椎CT共440枚螺钉作为训练集,使用11例CT生成110枚螺钉作为测试集,以手工规划作为对照组,通过盲法专家评价评估螺钉规划效果,并通过记录规划时间评估规划效率。结果:该自动规划方法生成的螺钉规划临床可用率为95.4%,自动规划时间与平均手工规划时间分别为68.8 s和177.6 s。结论:该自动规划方法可初步实现高效、高质量的脊柱椎弓根螺钉自动规划,但仍需临床医生监督复核。

基于AM-PSO-BP神经网络的打印路径规划

为提高弧焊焊接效果,提出一种基于AM-PSO-BP神经网络的弧焊打印路径规划方法。方法采用基于自适应方差的自适应变异操作(AM)消除粒子群优化算法(PSO)后期迭代效率低的问题,然后利用AM-PSO算法优化BP(back propagation)神经网络的权重和阈值,实现BP神经网络参数的优化;最后将AM-PSO-BP神经网络算法对弧焊打印工艺参数进行预测,获取更准确的弧焊打印工艺参数。仿真结果表明:所提方法可精确预测弧焊打印工艺参数,在该工艺参数下,弧焊打印的六边形柱体、圆柱体、正方体预测值与实测值相差较小,且在误差允许范围内,具有较高的准确性。以上方法可为精确弧焊打印提供依据。

基于动态规划与RBF神经网络的PHEV能量管理策略

为提高插电式混合动力汽车燃油经济性,设计了一种基于动态规划和径向基函数(RBF)神经网络的插电式混合动力汽车能量管理策略。首先,建立了插电式混合汽车数学模型;其次,以发动机油耗最小为目标函数,采用动态规划求解全局最优的离线优化结果;最后,采用RBF神经网络对离线最优控制结果进行学习,建立了发动机输出转矩与车辆状态参数之间的非线性映射关系,得到了基于动态规划和RBF神经网络的能量管理策略。仿真结果表明,文章所提策略油耗较之于电量消耗-维持策略降低了2.92%,验证了该策略的有效性。

改进RBF神经网络在智能机器人轨迹规划中的研究

针对工业生产中对智能机器人轨迹规划的要求越来越高,在工业机器人运动模型的基础上,提出了一种将RBF神经网络和遗传算法相结合的工业机器人轨迹规划方法。通过遗传算法对RBF神经网络的网络结构、连接权值和阈值进行优化,精确跟踪机器人的轨迹。通过仿真将与未改进前的轨迹规划算法进行比较,验证该方法的优越性。结果表明,与改进前的规划算法相比,文中规划方法误差小,适应性强,能够满足工业机器人轨迹规划的预期要求。为工业机器人轨迹规划方法的发展提供了一定的参考。

基于生物启发神经网络的核辐射场区全覆盖路径规划

核辐射场区全覆盖路径规划对于辐射环境下区域作业者的辐射安全有重要意义。本研究基于生物启发神经网络算法,提出一种进行辐射剂量最优控制的全覆盖路径规划算法。首先,利用福岛核电站部分地形以及蒙特卡罗粒子输运程序分别构建模拟核辐射场区的障碍物分布和辐射剂量场,然后,采用Python语言进行算法仿真试验,模拟核辐射场区的每一个栅格定义为一个神经元,建立起生物启发神经网络,将栅格剂量率与神经元活性耦合实现路径规划的辐射剂量最优控制,分别采用单个、4个和8个移动单元进行仿真试验。结果表明:单个移动单元的规划路径在实现100%覆盖率,4%覆盖重复率的同时,能够优先覆盖低剂量区,延后覆盖高剂量区,实现了过程剂量和累积剂量的最优控制。为提高全覆盖的时间效率和获得更低的单体累积剂量,对算法进行多单元协同搜索的改进,结果表明:4单元和8单元仿真的覆盖重复率分别为5.72%和6.29%,1单元、4单元和8单元仿真完成全覆盖时间分别为30 min、9 min和4 min,时间效率成倍提高;最大单体累积剂量分别为4.11×10^(-3)mSv、1.28×10^(-3)mSv和0.85×10^(-3)mSv,也在显著降低。本文提出的算法能实现过程剂量和累积剂量最优控制的全覆盖路径规划,另外算法可以协同规划多单元路径,显著降低单体累积剂量,对辐射环境下区域作业的辐射防护有重要意义。

求解时变二次规划的自适应参数归零神经网络

【目的】针对时变二次规划(time-varying quadratic programming,TVQP)中的时变参数求解问题,提出了一种自适应参数归零神经网络(adaptive parameter zeroing neural network,APZNN)模型。【方法】首先,在归零神经网络(zeroing neural network,ZNN)模型的基础上引入一种基于误差的自适应参数及增强型双幂(enhanced sign-bi-power,ESBP)激活函数,从而提出了APZNN模型;然后,利用李雅普诺夫定理分析了APZNN模型的稳定性,预设时间收敛性和鲁棒性;最后,通过仿真试验以验证APZNN模型的有效性。【结果】在求解时变二次规划问题时,APZNN模型相比ZNN模型和时变参数归零神经网络(time-varying parameters zeroing neural network,TVPZNN)模型,具有更快的收敛速度和更强的鲁棒性,其误差函数能在0.2 s内收敛到0;得益于自适应参数的引入,APZNN模型在仿真试验中的计算时间较TVPZNN模型减少了16.6 s,节省了计算资源。此外,将APZNN模型应用于UR5机械臂轨迹跟踪试验中,机械臂的末端执行器可以很好地跟踪期望的路径,末端执行器的位置误差被限制在-1.5×10^(-4) m和1.5×10^(-4) m之间,这进一步说明模型的可行性。【结论】本研究提出的APZNN模型能够有效地求解时变二次规划问题,可为神经网络模型设计提供参考。

基于生物启发神经网络的无人水面艇实时避障路径规划

针对无人水面艇(unmanned surface vehicle,USV)自主航行过程中的避障与遵守海事交通规则之间潜在的冲突问题,设计基于生物启发神经网络并且遵守《1972年国际海上避碰规则》(Convention on the International Regulations for Preventing Collisions At Sea,1972,COLREGs)的实时避障路径规划方法。运用STM32嵌入式平台搭建包括超声波、红外激光、陀螺仪和GPS传感器的小型USV水面环境感知硬件架构,将多传感器输出的动态环境信息通过栅格地图映射到二维神经网络中。USV根据神经网络活性势图自动规划通向目标点的无碰撞路径。通过多种船舶航行交汇局面的实验,证明该方法既安全又符合COLREGs的要求。

基于卷积神经网络的煤矿支架搬运车轮胎助力机械手抓取姿态规划方法

为解决当前煤矿支架搬运车轮胎助力机械手抓取姿态规划精度较低、无法保证抓取轮胎受力均匀、导致轮胎部分位置受力过大、对轮胎产生了不同程度损害、消耗大量人力与物力资源的问题,提出基于卷积神经网络的轮胎助力机械手抓取姿态规划方法。引入卷积神经网络,通过提取目标物体位姿变化特征,得出目标物体在坐标系中的位置信息与姿态信息;基于卷积神经网络建立抓取预测模型,获取机械手抓取物体成功的概率;设计轮胎助力机械手的抓取轨迹,并设计机械手抓取姿态规划算法。通过试验分析可知,该方法在抓取过程中最大耗时与平均耗时均较短,抓取质量与效率得到了显著提升。

应用差分进化-神经网络模型的杀爆弹瞄准点分配方法

为在不增加计算时耗的前提下提升多枚杀爆弹对面目标打击毁伤效能,建立融入动爆威力计算的多瞄准点规划方法.对面目标采用结构化网格划分方法实现多枚杀爆弹对目标毁伤区域的精确计算,并进行计算结果验证,基于多次计算结果采用神经网络方法建立单枚弹药对面目标毁伤区域的计算代理模型,在同样计算条件下,比非代理模型计算时间缩短1000倍;据此,通过差分进化算法实现多枚杀爆弹对面目标打击瞄准点及末端弹道参数的规划.通过实例对比分析表明:该瞄准点规划方法形成的打击方案比传统以毁伤半径为输入的方法毁伤效果大幅提升,最低提升25.5%,且单次规划时间不超过3 s,解决了瞄准点规划中毁伤效能模型复杂度与计算耗时之间的矛盾.

用于有界噪声时变矩阵计算的终端零化神经网络

为提升零化神经网络(ZNN)求解时变矩阵计算问题时的收敛性能,提出一种具有抗噪能力的终端零化神经网络(TZNN)及其对数加速形式(LA-TZNN)。对误差动态的终态吸引性展开分析,结果表明所提网络在受到有界噪声干扰时仍能在固定时间内使误差归零,其中LA-TZNN可实现对数调节时间稳定,收敛速度相较于TZNN更快。考虑到实际情况中初始误差有界,给出半全局意义上的调节时间上界,并通过设置可调参数,使网络实现预定义时间稳定。将2种模型应用于时变矩阵求逆和PUMA560机械臂重复运动规划问题,仿真结果验证了所提方法相较于传统ZNN设计,调节时间更短,收敛精度更高,并能够有效抑制有界噪声干扰。

一种使用BP神经网络加速的蒙特卡洛拉格朗日水滴求解器

结冰可能威胁飞行安全。拉格朗日方法被广泛应用于求解结冰过程中的水收集系数,但是其发展受到鲁棒性问题和高计算成本限制。为了弥补拉格朗日方法的缺陷,使用蒙特卡洛积分法和反向传播(Backpropagation,BP)神经网络分别用于解决鲁棒性问题和降低计算成本。基于蒙特卡洛方法的拉格朗日求解器可实现对任意模型或计算条件的无条件稳定。构建了BP神经网络用于预测水滴撞击概率,通过筛除非撞击水滴减少计算量。BP神经网络不针对特定模型提前训练,使用异步并行策略使BP神经网络训练和水滴运动同时求解,建立了广泛适用的异步拉格朗日求解器。使用GLC-305后掠三维翼型和某型发动机短舱模型对求解器进行验证,结果显示BP神经网络可以有效提升计算效率,对比没有神经网络辅助最多节省27%运行时间,同时保有同等计算精确度。本文研究为首次尝试神经网络技术与结冰数值模拟融合,为进一步发展拉格朗日方法提供有力支撑。

基于神经网络-PID控制的水面无人艇控制系统设计

为了提高在存在外界干扰和障碍物的环境下水面无人艇(unmannedsurfacevehicle,USV)控制系统的准确性和鲁棒性,提出了神经网络-PID控制算法。首先,使用人工势场法规划路径,得到一条从起点到终点的可行路径;然后,利用神经网络的自学习能力修正控制参数,实现控制参数的实时在线调节,精确调控USV沿着规划好的路径行进。在不同环境下进行仿真测试,仿真结果表明,与常规PID控制算法和模糊PID控制算法相比,所提算法降低了超调量和稳态误差,提高了控制系统的实时响应速度与USV的定位和航行精度。所提算法的抗干扰能力和控制精度优于与常规PID控制算法和模糊PID控制算法。

用于线性噪声时变凸二次规划的归零神经网络

针对线性噪声可能会对现有的归零神经网络(ZNN)模型求解时变二次规划(TVQP)问题产生负面影响,从而导致模型收敛缓慢、准确率降低的问题,提出了一种双重积分增强ZNN(DIEZNN)模型。为了解决线性噪声的干扰,在ZNN原有公式基础上引入双重积分,设计了一个激活函数去除线性噪声的影响。理论分析证实了DIEZNN模型具有收敛性和良好的噪声抑制能力。实验结果表明,与传统的梯度神经网络和其他变量ZNN模型相比,DIEZNN模型收敛更快、精度更高,并且能够有效地解决线性噪声的影响。

基于BP神经网络的装配序列规划

针对产品装配序列规划所面临的自动化和智能化不足、人工干预较多等问题,结合人工神经网络等智能算法,设计了一种基于反向传播(BP)神经网络的产品装配序列规划方法。首先使用装配参数信息表表达装配体零件信息与装配序列的映射关系,建立BP神经网络模型,进行神经网络训练并推理产品装配序列;然后利用子装配体识别算法进行子装配体划分,降低装配序列求解难度,实现基于子装配体识别的装配序列优化。最后分别以蜗杆减速器与圆柱齿轮减速器作为训练样本和验证样本,验证了所提方法的有效性。

基于有限时间对偶神经网络的冗余机械臂重复运动规划

在考虑关节物理极限的情况下,将冗余机械臂的逆运动学解析问题抽象为带约束的重复运动规划(RMP)方案.针对速度层的带约束RMP方案,本文提出了一种新型的递归神经网络,即有限时间对偶神经网络(FTDNN),用以求解该类带约束RMP方案.相比于传统的递归神经网络,该FTDNN模型具有有限时间收敛特性,不仅能够改进收敛的速度,并且能够获得较高的收敛精度.通过李雅普诺夫稳定性定理验证了FTDNN模型的渐近稳定性,并进一步计算出FTDNN模型求解带约束RMP方案最优解的时间上界.基于冗余机械臂PA10的计算仿真结果验证了FTDNN模型求解带约束RMP方案的有效性和可行性.最后在Dobot Magician实物机械臂上的实验结果表明本文提出的有限时间对偶神经网络方法可以有效实现机械臂各关节角的重复运动.

基于残差BP神经网络的Baxter机器人逆运动学分析方法

提出1种基于残差BP(back propagation)神经网络的自适应逆运动学分析方法,围绕数据采集至实时控制的整个运动规划流程,采集140组位置和欧拉角数据,利用残差BP神经网络对Baxter机械臂进行逆运动学分析,拟合得到机械臂7个关节角度;将训练好的关节角度以话题的形式发布,通过在抓取物体的脚本中订阅该话题实现通讯;结合Rviz进行可视化展示和实物双臂协同实验,对4种物体模型分别用残差BP神经网络和普通BP神经网络进行抓取实验,验证所提方法的有效性。结果表明:所提方法的计算单点时间约8.1 ms,远小于机械臂的控制周期,可实现实时性的要求;在进行1500次训练的情况下,残差BP神经网络模型的均方误差为0.006,相比普通BP神经网络模型,误差降低0.077,提高了模型的准确性;所提方法的抓取成功率为87.5%,比普通BP神经网络提高了22.5%,验证了本文所提方法的有效性和实用性。

基于装配语义与图神经网络的产品虚拟装配线智能化构建方法

随着智能制造技术的快速发展,数字化工厂方法在生产系统规划设计中的应用日益广泛。构建虚拟装配线或装配线数字孪生体已成为实现装配线数字化规划设计的关键环节。然而,传统的设计方法主要依赖于经验,存在效率低下、设计周期长、优化困难等问题。为了克服上述困难,本研究以产品装配线设计为背景,提出一种基于产品装配语义和图神经网络的产品虚拟装配线智能化构建方法。为验证所提出方法的可行性和有效性,本研究以某液压缸虚拟装配线构建为案例进行了实证研究。结果表明,该方法能够提高装配线设计效率,缩短设计周期,并实现装配线布局的智能优化。

异构环境感知的分布式神经网络训练模型

针对分布式神经网络训练在异构环境中训练速度慢、资源利用率低的问题,提出一种异构环境感知的分布式神经网络训练模型(H-PS)。根据计算节点当前状态动态调度训练任务,使计算节点能够在相同时间完成训练任务,提高资源利用率。提出通信与计算并行策略,参数服务器与计算节点传输模型参数期间,计算节点持续模型计算,进一步提高资源利用率。使用灵活的量化策略,压缩神经网络模型参数,减少参数服务器与计算节点的通信开销。使用新兴的容器集群进行实验,结果表明,与现有方法相比,H-PS训练时间缩短1.4~3.5倍。

基于图神经网络的最大化代数连通度算法

随着智能体数量的增加,多智能体系统中潜在的通信链路数量呈指数级增长.过多冗余链路的存在给系统带来了大量的能源浪费和维护成本,而盲目地去除链路又会降低系统的稳定性和安全性.代数连通度是衡量图连通性的重要指标之一.然而,传统的半正定规划(SDP)方法和启发式算法在求解大规模场景下的最大化代数连通度问题时非常耗时.在本文中,我们提出了一种监督式的图神经网络模型来优化多智能体系统的代数连通度.我们将传统的SDP方法应用于小规模任务场景中,得到足够丰富的训练样本和标签.在此基础上,我们训练了一个图神经网络模型,该模型可用于更大规模的任务场景中.实验结果表明,当需要去除15条边时,我们的模型的平均性能达到了传统SDP方法的98.39%.此外,我们的模型计算时间极其有限,可以推广到实时场景中去.