多关节水下机器人方案设计与关键技术应用

针对自主水下机器人作业能力不强及现有链式多体水下机器人因推进器外挂而减弱了机器人通过性等问题,文章提出了一种多关节水下机器人总体设计方案,该多关节水下机器人由功能载体与基本载体经连接关节串联构成。文章首先介绍了功能载体与基本载体的结构构成;接着对方案中使用的关键技术原理进行了详细分析,如射流操纵、矢量推进、折叠天线等;最后研制了多关节水下机器人基本载体物理样机,并依次进行了湖上试验与海上试验。在定向变深度航行试验中,深度误差不大于±0.1m,航向误差不大于±1°,试验结果验证了多关节水下机器人基本载体的航行能力,证明了文章所提出的多关节水下机器人设计方案的可行性。

基于三重注意力的轨道交通场景多任务感知算法

针对轨道交通场景下环境感知中目标检测精度不足、检测速度缓慢以及如何在两者之间寻求平衡的挑战,文章提出了一种可同时检测与分割的多任务感知模型。首先,针对轨道交通场景现有数据集缺失问题,利用在轨道现场拍摄的样本图片创建了铁路环境感知数据集,用于训练模型和评估模型;其次,针对数据集数据量有限、多样性不足的问题,对数据集进行Differential RandAugment数据增强,通过引入可微分参数来优化数据增强策略,生成更加多样化的训练样本;最后,增加三重注意力机制以改进原YOLOP算法在特征提取时丢失关键信息的不足,通过对特征图3个方向进行注意力加权,改善了原始模型对关键信息的提取情况,从而提升了模型在小目标检测任务中的性能。通过在实际场景数据集上进行验证,结果表明,该模型在小目标检测、运行速度和环境适应性方面都取得了显著的改进。在自创数据集上,所有类别目标的检测准确率达到了0.945,召回率为0.853,平均精度为0.900;在小目标检测方面,平均精度达到了0.837,检测速度达到了23.5帧/s,为轨道交通领域的目标检测研究提供了有效的解决方案,具有重要的实际应用前景。

基于自适应交互多模型算法的三维空间水下动态目标跟踪

自主水下机器人(AUV)动态目标跟踪技术是实现目标探测、目标侦察等任务的核心技术之一。为了跟踪机动目标,通常采用基于交互多模型(IMM)算法结合恒定速度(CV)模型和协同转弯(CT)模型;而IMM中的转移概率和CT模型中转弯速率通常根据先验信息固定,可能会导致状态估计不准确。为此,文章基于现有的自适应IMM算法,提出了一种可以自适应调整转移概率的并行IMM算法(APIMM)并结合无迹卡尔曼滤波算法(UKF)对水下三维空间中的机动目标进行状态预测,改进算法基于的模型集选择了CV模型,自适应转弯速率的三维固定中心恒定速率和转向速率(CSCTR)模型和当前统计(CS)模型。仿真结果表明,该算法能更大程度地利用后验信息,拥有更快的模型切换速度,能够对三维空间水下动态目标的状态进行预测,并且预测精度提升了约15%。

基于CFD的槽道推进器对AUV水动力性能的影响研究

虽然具有槽道推进器的自主水下机器人(AUV)机动能力更高,但槽道会对AUV的动力学特性产生影响。因此,进行槽道推进器对AUV的水动力性能影响分析具有重要意义。文章采用计算流体力学(CFD)方法研究槽道推进器对AUV水动力性能的影响。首先,使用三维软件构建了2个AUV模型,其在外形等方面完全相同,仅在是否搭载槽道推进器上有所区别;然后,创建了2套重叠网格,分别用于进行2个AUV的CFD水动力分析;接着,通过计算AUV的平移和旋转运动来获得2个模型的水动力系数,并对比分析其差异,以评估槽道推进器对AUV的影响。计算结果表明,槽道推进器的存在增加了AUV纵荡运动的惯性水动力,但降低了横荡、垂荡、纵摇和艏摇的惯性水动力;此外,槽道推进器还会导致平移运动的黏性水动力增加,以及旋转运动的黏性水动力减小。槽道推进器对AUV的流线形产生了一定的影响,进而导致AUV的惯性和黏性水动力特性改变,因此,在对带有槽道推进器的AUV进行设计时,需要关注槽道对AUV的影响。