基于GRASP-PR混合算法的多目标EV充电任务序列优化模型

提出基于GRASP-PR混合算法的多目标EV充电任务序列优化模型,以提高配电网的平峰填谷能力,确保其稳定运行。根据EV出行特点,在分析无序充电模式对配电网负荷峰谷差影响的基础上,构建EV充电任务序列优化模型,采用引入路径重连策略的贪心随机自适应搜索算法对优化模型求解,确定最优EV充电任务序列调度方案。实验结果表明:在无序充电模式下,并网充电EV数量越多,配电网负荷峰谷差越大;该优化模型可实现EV充电任务序列的优化控制,达到平峰填谷效果,降低配电网运行成本、EV充电成本。

视觉识别下分拣机器人目标稳准抓取系统设计

目标的不同规格在一定程度上影响了抓取效果,为此,设计视觉识别下的分拣机器人目标稳准抓取系统。构建以STM32F429单片为主机芯片的系统总体框架,优化采集影像、机械手臂、智能避障等模块。主机模块将采集影像模块摄像头采集的目标影像数据传送到机械手臂模块后,采用视觉识别方法定位目标,并计算质心和旋转角度获取抓取目标中心距。通过智能避障模块规划抓取路径,实现分拣机器人目标稳准抓取。实验结果表明,在不同距离、不同目标形状以及质量条件下,该方法可以在智能躲避障碍物的同时,稳准抓取目标。

结合实例分割与抓取筛选的堆叠目标抓取方法

为了在种类多样、位姿随机、背景散乱的堆叠场景下得到机器人抓取目标物体的最优次序与抓取位姿,本文提出一种结合实例分割与抓取筛选的堆叠目标抓取方法,包含抓取次序推理与抓取位姿检测两部分.抓取次序推理部分,首先设计基于自注意力与边界细化的实例分割网络,利用自注意力模块提升特征提取能力,并通过边界细化模块提高堆叠场景下物体边界的分割精度;其次提出一种抓取筛选方法,运用判断物体间完整掩码是否重叠与优先抓取分数排序的策略,筛选出目标最上层未被遮挡的物体为待抓取目标,以减少机器人多余抓取动作.抓取位姿检测部分,为适应不同尺度物体的检测,设计融合多尺度密集残差模块的抓取位姿检测网络,以保留物体的多尺度特征,从而适应不同尺度物体的检测.实验结果表明,本方法能够有效推理出堆叠场景下的抓取次序,并准确检测出物体的位姿,以实现目标的抓取.

基于多模型和改进WOA算法的Delta机器人柔性夹持器抓取方法研究

[目的]解决Delta机器人柔性夹持器抓取方法存在的控制精度和适应性较差等问题。[方法]以Delta机器人柔性夹持器为研究对象,提出一种多模型和改进鲸鱼算法相结合的Delta机器人柔性夹持器抓取方法。建立稳定抓取优化模型,在抓持对象表面寻求最佳接触位置。建立无损抓取优化模型,在确保稳定抓起物体的前提下使接触力尽可能地小。结合粒子群算法和鲸鱼算法求解模型。通过试验验证了所提抓取方法的优越性。[结果]所提方法不仅具有良好的控制精度,还能够适应不同形状和大小的物体,具有较高的灵活性和适应性,抓取成功率>96%,抓取损伤率为0。[结论]所提方法有效提高了Delta机器人柔性夹持器抓取方法的性能,适用于果蔬和易碎物品的分拣工作。

服装裁片自动抓取技术及其布局方法的研究进展

为促进服装裁片自动化运输的发展,推动服装加工端完成产业升级,即“机器代人”,实现服装智能制造,综述了目前国内外服装裁片智能抓取技术及其布局方法的研究现状。具体分析了空压吸附式抓取,静电式抓取,针刺式抓取,机械手抓取和软体手指抓取的原理和特点,阐述了各抓取方式所适用的面料范围,将其在面料表面的布局方式总结为3类:盲式布局抓取、单点布局抓取和多点协同抓取。研究认为软体手指抓取技术具有更广阔的应用前景,并展望了服装裁片智能抓取技术的未来发展趋势,指出提高抓取准确率,提高抓取头的重复定位精度,研发便捷、高效、经济的布局方式,以及研发结合机器视觉技术等人工智能技术的智能抓取方式为未来的重要研究方向。

高速自适应双稳态折纸软体夹持器设计与分析

提出了一种单顶点多折痕(single-vertex and multi-crease,SVMC)的双稳态折纸软体夹持器,具有结构简单、成本低、变形速度快、承载能力强等优点,有效改善了传统模型响应速度慢、夹持效率低等缺陷。该模型基于水弹结构建立,利用球面三角形余弦定理分析了折痕角度之间的关系并建立运动学方程;同时借助扭簧模型探究变形过程中的势能转化规律。分析了折痕长度与初始角度对能力存储和释放过程的影响,并以此为基础优化了模型结构参数。实验结果表明,当受到2.6 N的外部触发力时,软体夹持器可在61 ms内完成从外展姿态到内缩状态的变化,实现对目标表面的快速包络;同时,借助线绳驱动提供更大的夹紧力,完成对目标的高效稳定抓取。此模型可广泛应用于复杂轮廓目标抓取和快速食品分拣领域。

一种用于易损物体的机器人抓取姿态预测方法

复杂场景下机器人抓取“万物”是一个重要且具有挑战性的任务.针对使用刚性夹持器的机器人在直接使用六自由度抓取姿态预测方法抓取柔软和易碎物品过程中易被夹持器损坏问题,本文提出了一种用于易损物体的八自由度抓取姿态预测方法.通过直接处理场景点云数据,预测物体上抓取点的接近向量、面内旋转、夹持器宽度和物体种类,并根据夹持器内点云得到物体的八自由度抓取姿态,其姿态包含夹持器的旋转、平移、夹持器的宽度和作用力.然后,在公共数据集上验证算法的有效性,并搭建复杂场景进行机器人抓取实验.实验结果表明,该方法在保证抓取成功率的前提下,降低了被抓取物体的损坏率,扩展了基于视觉的机器人抓握物品种类.

基于级联融合网络的密集型抓取位姿检测

针对机械臂在密集场景下对未知物体进行平面抓取时检测精度低、耗时长的问题,提出了一种新的抓取网络结构,称为级联融合抓取检测(Cascade Fusion Grasp Detection,CFGD)网络,用于预测密集场景下物体的抓取位姿。在提出的用于提取初始高分辨率特征的主干和几个块的基础上,引入几个级联阶段来生成CFGD网络中的多尺度特征。每个阶段包括1个用于特征提取的子主干和1个用于特征集成的极其轻量级的过渡块,该设计使得整个主干参数比例大,特征融合更深入、更有效。所提算法在康奈尔抓取数据集、提花抓取数据集和自定义数据集上在检测精度与速度上较现有算法有明显提升。在真实抓取场景下,单目标场景下的抓取成功率为98.6%,在密集场景下的抓取成功率为94.6%。试验结果表明,所提算法以较高的准确率预测和抓取了密集场景下的未知物体。

软体机器人在服装领域的应用进展

软体机器人由可变形材料制成,具有柔顺性高、适应性强等优势,现已成为机器人领域的研究热点,并在加速服装智能化进程中发挥重要作用。为促进软体机器人技术与服装领域的融合发展,根据当前软体机器人的研究进展,聚焦于软体机器人关键技术,总结其在制作材料、制作方法、驱动方式及控制与建模4个方面的研究现状;对软体机器人在纺织面料抓取与转移、上肢辅助及下肢辅助服装上的应用情况进行综述。研究认为:可利用智能软材料和微加工技术实现控制元件微型化;结合织物性能特点提高面料自动抓取与落料精度;可穿戴软体机器人在优化设备技术性能的同时,要对整个人机系统进行持续评估和迭代开发,提高人机交互便捷性,以促进软体机器人行业与服装领域的深度融合。

FPN算法在视觉感知机器人抓取控制的应用研究

针对视觉感知机器人对物体抓取的准确性控制,在抓取姿势估计基础上使用密集连接的特征金字塔网络(FPN)作为特征提取器,将语义更强的高级特征图与分辨率更高的低级特征图融合,将机器人物体抓取过程分为两个阶段,第一个阶段生成待抓取区域,第二阶段对抓取区域进行细化以预测抓取姿势。模型在Cornell抓取数据集和Jacquard数据集上训练,验证了所提算法在抓取姿势估计的有效性。设计了两种不同真实场景的物体抓取控制实验,结果表明所提模型能有效提高机器人抓取各种不同尺寸物体的能力。

机械臂K因子影响因数的研究和扩展寿命计算

基于应力强度因子知识,借助Workbench软件采用子模型技术和奇异单元研究搬运机械臂的断裂强度问题。在搬运机械臂基座关节相贯线处建立椭圆形表面裂纹有限元模型,开展抓取载荷、裂纹相对尺寸对应力强度因子影响的研究并进行裂纹扩展寿命计算。分析结果表明:KⅠ、KⅢ随着抓取载荷的增加而增加,而KⅡ随着抓取载荷的增加而减小;随着裂纹短半轴和长半轴的增加,Ⅰ型、Ⅲ型应力强度因子先增大后减小且相应的应力强度因子逐渐增大,Ⅱ型应力强度因子先减小后增大;裂纹两端与中间段的裂纹扩展速率不同,呈现两端快、中间慢的特点且裂纹长半轴尺寸比短半轴尺寸对裂纹扩展速率的影响更敏感,机械臂的剩余寿命富余。

基于深度学习的目标检测及机械臂抓取

针对非结构化环境中多目标抓取检测存在速度慢、效果差的问题,提出一种先目标检测后抓取检测的方法。在目标检测中,为了加快网络的运行速度,文中采用深度可分离卷积和坐标注意力机制对YOLOv5网络进行轻量化改进。在抓取任务中,设计了一种单阶段抓取位姿检测算法。首先,考虑到非结构化环境中存在的干扰,选用RGB-D图像作为抓取网络的输入数据,并选用GG-CNN作为主干网络;其次,为了加强抓取网络的特征提取能力,利用Inception-ResNet模块中不同大小卷积核的并联使用来拓宽网络感受野,同时无参三维注意力机制的融入使得网络更专注于抓取信息特征,抑制背景噪声信息;最后,使用抓取质量评估来对抓取框进行修正,并输出置信度和最高的抓取框。实验结果表明:轻量化的目标检测网络参数量为2776708,每秒帧数(frames per second,FPS)为102;改进后的抓取检测网络在公共Cornell数据集上,取得了96.57%的准确率,FPS为54.17。这说明2个网络能部署在机械臂上并较好地实现在多目标场景下的抓取任务,可以应用到实际工业生产中。

指尖自锁欠驱动机械手设计与研究

欠驱动机械手结构简单、成本低、易于控制、自适应能力强,但欠驱动机械手是通过机械限位与弹簧约束来完成抓取,抓取稳定性差,无法输出较大的指尖抓取力.本文提出一种新型的指尖可自锁的欠驱动三指机械手,在抓取时远指节与中指节可实现自锁,增加了抓取的稳定性.同时建立了单指的D-H运动学模型,利用MATLAB分析了机械手的工作空间,对手指进行了静力学分析,利用ADAMS软件对机械手进行仿真分析,最后进行抓取测试,结果表明指尖自锁机械手能输出更大抓取力,从而验证了指尖自锁机械手结构的合理性与可行性.

基于YOLOv5的角度优化抓取检测算法研究

针对目前机器人抓取检测方法抓取角度预测过于离散,抓取过程可能产生较大偏角,降低抓取检测精度,甚至导致抓取失败的问题,提出了一种基于YOLOv5神经网络模型改进的机器人实时抓取检测方法。以单阶段目标检测模型YOLOv5为基础,提取抓取框坐标及抓取角度。对抓取角度进行更细致的划分,同时引入环形平滑标签以适应角度的周期性,建立相邻角度之间的联系,将YOLOv5检测头进行解耦,并对损失函数进行优化,提高检测精度。在Cornell数据集上进行实验验证。实验结果表明,与经典的抓取检测方法相比,所提算法能够更好地预测抓取角度,提升抓取检测精度;在Cornell数据集上,此模型达到了97.5%的准确率以及71FPS的检测速度。

考虑电池充电的无人机车辆物流配送模型

“最后一公里”物流配送是物流终端面对客户的最后一环。车载无人机的配送模式克服了道路对车辆的限制,但由于无人机的电池容量有限导致续航时间短,而每次完成配送任务回收无人机需要更换电池,使得人力成本以及配送时间的增加。基于这种无人机车辆的协同配送模式,考虑了无人机的电池电量消耗和在车辆上的充电速率限制,提出无人机在无配送任务时在车辆进行充电的配送路径规划模型。设计了一种结合遗传算法和邻域搜索算法的改进GRASP(greedy randomized adaptive search procedure)算法来求解模型。基于设计测试集进行测试实验,并对影响路径规划的主要因素进行灵敏度分析,以充分利用无人机的配送能力。

基于改进粒子群算法的机械手抓取力自整定模糊PID控制

为提高欠驱动机械手在易碎零件分拣过程中的稳定性,通过改进粒子群算法,给出一种优化其抓取性能的模糊PID控制算法。首先,分析欠驱动机械手抓取力控制系统的特性,提出粒子群算法与模糊PID抓取力控制系统相结合的具体策略。其次,将动态惯性权重等方法引入粒子群算法中,以提高其迭代速度并防止其陷入局部最优。在此基础上,利用改进后的粒子群算法优化模糊PID控制器的相关参数,实现了对模糊规则权重及量化因子的在线自整定,解决了PID参数无法动态调整的问题。最后,对其进行仿真分析。结果表明:该控制算法可以在0.8 s内达到稳定抓取力,稳态误差小于0.2%,扰动整定时间为0.262 s,系统的瞬态响应速度、控制精度以及稳定性均有明显提高。

基于机器视觉的堆叠货箱抓取系统设计

针对冷链运输领域自动化水平低的问题,设计一套基于机器视觉的堆叠货箱抓取系统。基于Matlab标定工具完成相机标定,得到坐标系转换数学模型,使用改进Canny边缘检测算法提取图像中堆叠货箱的位置信息,通过PLC控制卸货机器人按照既定程序实现对冷链集装箱中堆叠货箱的抓取作业。实验结果表明:图像处理时间小于2 ms,抓取效率可达5 s/件,抓取位置误差小于5 mm,完全满足工业生产要求。

并联机器人视觉引导定位工件研究

针对工业机器人对流水线上的工件进行分类识别抓取的问题,将单目视觉技术引入到工业机器人智能抓取系统设计中。通过Halcon软件完成了视觉算法的编写,从而对工件的正面、反面、堆叠状态进行识别和定位。利用QT软件完成了上位机的编写,通过Modbus和TCP/IP协议实现与机器人的通信。试验得到的定位误差为0.88 mm,能够较好地完成抓取工作。

谈中国古代文学教学中对思政元素切入点的把握

对于中国古代文学的课程教学而言,要实现以课程思政为依托的立德树人目标,就必须遵循润物无声的原则,在教学的各个环节找准思政元素的切入点。其具体表现为:在概述文学发展状况、介绍作家生平经历、分析鉴赏文学作品、总结课堂教学内容、组织课外活动时,适时把握时机,切入恰当的教学内容,从而最大限度地优化课程思政教学的效果。

轻量化机器人抓取位姿实时检测算法

针对机器人对形状、大小、种类变化不一的未知物体的抓取,提出轻量化的抓取位姿实时检测算法RTGN,以进一步提升抓取检测准确率及检测速度.设计多尺度空洞卷积模块,以构建轻量化的特征提取主干网络;设计混合注意力模块,以加强网络对重要抓取特征的关注;引入金字塔池化模块融合多层级特征,以提升网络对物体的抓取感知能力.在Cornell抓取数据集上进行测试,RTGN检测速度为142帧/s,在图像拆分和对象拆分上的检测准确率分别为98.26%和97.65%;在实际抓取环境下进行抓取实验,机器人对20类未知物体进行400次抓取,抓取成功率为96.0%.实验结果表明,RTGN的检测准确率和检测速度较现有方法有明显提升,对物体的位置和姿态变化具有较强的适应性,并且能够有效地泛化到形状、大小、种类等变化不一的未知物体的抓取检测中.