基于树莓派的移动搬运机械臂设计与仿真

基于树莓派4B在ROS开发平台设计了一种面向物流的移动机械臂抓取系统,以SolidWorks为建模工具创建回转体物料模型,实现物料抓取搬运功能。通过MATLAB实现机械臂建模,在ROS中进行模型功能配置,利用笛卡尔空间轨迹规划完成机械臂移动规划,通过MoveIt!的API接口编程完成机械臂抓取。实验结果表明,该模型能够自主导航规划路径,实现目标物体的精准识别和抓取。

基于BP神经网络的驾驶疲劳预测模型及其有效性分析

疲劳驾驶是导致交通事故的重要原因之一,对疲劳驾驶行为进行预测可以有效减少事故发生。通过设计高速路段实车疲劳驾驶实验,获取相关特征指标,对特征参数进行研究,建立基于BP神经网络的驾驶员疲劳驾驶状态预测模型,对驾驶员的疲劳状态进行预测,结果表明精度达到90%以上;并对不同缺失率下的实验数据进行疲劳预测,判断该模型在数据缺失时是否有效,该模型在数据缺失率达到20%时预测精度仍达到80%,基于BP神经网络进行疲劳预测具有较高有效性。

基于车辆横向运行数据的遗传-支持向量机算法的分心驾驶状态判别模型

分心状态是造成交通事故的重要原因。当前侵入式与半侵入式检测多被应用于分心驾驶识别,此方法会对驾驶任务产生一定干扰,且成本相对较高。对此提出一种低成本的基于车辆横向运行数据的分心驾驶状态判别方法。实验选取手机通话作为分心影响因素,设计了正常驾驶、免提通话、手提通话3个维度。首先,基于驾驶模拟器采集的数据,对正常与分心状态下的车辆运行指标进行Man Whitney U检验,从时域及频域中提取出与分心驾驶显著相关的车辆横向控制指标;其次,构建支持向量机(support vector machine,SVM)分心状态判别模型,将径向基函数作为SVM的核函数,使用网格搜索算法(grid search algorithm,GSA)、粒子群算法(particle swarm optimization,PSO)及遗传算法(genetic algorithm,GA)对SVM模型参数进行优化;最后,对比GSA-SVM、PSO-SVM与GA-SVM分心判别模型的分类效果,并运用接受者操作特征(receiver operating characteristics,ROC)曲线对模型性能进行评估。研究结果表明:GA-SVM分心判别模型的最优交叉验证率、准确率及F1分别为87.9%、91.9%、94.05%,高于GSA-SVM(86.2%、87.2%、90.35%)与PSO-SVM(87.9%、91.2%、93.46%);GA-SVM判别模型ROC曲线接近于(0,1)坐标,其曲线下的面积(area under curve,AUC)为0.9353。所提出的GA-SVM分心判别模型获得了较好的分类效果,故认为此模型适合作为低成本条件下基于车辆横向控制的分心驾驶状态判别模型。