基于网络教学平台的实践课程教学方法研究与实践

随着网络教学平台的日益成熟与广泛应用,其平台功能与稳定性得到了巨大提升,文章基于网络教学平台对高校的实践课程教学方法进行研究与实践,分别从班级学生管理、课程资源建设、课程教学模块功能以及教学工具支持等方面对网络教学平台功能进行论述,在此基础上对实践课程教学方法进行设计。

OMO视域下线上实践教学方法的研究

随着信息化和数字化时代的到来,现代教育模式正在发生变化。而OMO视域下的线上实践教学作为一种新型教学模式,是推动教育现代化,满足人们日益增长的终身学习需求的全新尝试。虽然新冠肺炎疫情出现后,线上教育需求呈现爆发式增长,但在教学方法、实践教学等多维度仍然存在诸多问题亟待解决。因此,文章选取了OMO视域下的线上实践教学现状作为研究对象,通过深入剖析现阶段OMO视域下实践教学存在问题的原因,在此基础上结合新理念、新思路提出线上实践教学方案设计范例。

基于聚类数据融合的装配轨迹自动修正算法

在大型结构件装配过程中,为了减小多激光雷达组网系统的测量误差,并实现装配轨迹的自动修正,设计了基于聚类算法的装配轨迹自动修正系统。通过聚类分析完成对站位布局的优化,利用残差补偿实现多站数据的融合,并完成了5种不同状态的单站及多站距离精度测试。实验结果显示,在单站精度几乎一致的条件下,经优化布局后的系统转站测量不确定度由1.25 mm提升至0.45 mm。在装配轨迹修正实验中,获得了半径为3.5 m圆域内激光雷达随偏转角变化的匹配数据规律。测试分析了5个位置点的坐标值与位姿偏移量,在三个轴向上的位置偏差均值分别为0.042 mm、0.033 mm和0.039 mm,位姿偏角均值分别为0.25°、0.23°和0.49°。可见,装配轨迹修正量与转站测量不确定度相近,该系统可以实现对装配过程的在线自动修正。其可有效降低多激光雷达组网系统的数据融合误差,在自动化装配领域具有一定的价值。

基于Transformer的3D点云场景识别研究与实现

场景识别是智能机器人实现回环检测、定位任务的关键,该方法通过分析、提取场景中特征从而推测所处位置是否已到访过。由于视觉传感器视场范围小、易受光照影响的缺点,基于3D点云的场景识别方法成为计算机视觉研究领域的热点。文章首先对研究背景和一些主流场景识别方法进行介绍。随后,文章对提出算法的主要步骤进行介绍,包括数据编码模块、Transformer模块以及NetVLAD描述符生成模块。最后,文章在公开数据集KITTI上定量地对比了该文方法和其他开源算法。结果表明,文章提出的方法达到了SOTA(state-of-the-art)水准。

基于固态雷达的SLAM研究与实现

未知环境下的地图构建技术是智能机器人实现路径规划、智能导航的前提与关键。考虑到目前传感器领域的发展态势,文章主要针对固态雷达的SLAM算法进行探究,使用览沃Hap雷达搭建平台采集数据并验证算法。首先,文章对研究背景以及近年来相关传感器、算法进行了介绍。其次,这篇文章对算法的整体流程进行了概述,并对基于主成分分析(Principal Component Analysis,PCA)和点云分布的特征提取、基于因子图的位姿估计技术细节进行了介绍。最后,使用实车采集了实验数据,并以效果图和相对位姿误差(Relative Pose Error,RPE)定性、定量地对结果进行了分析。结果表明,此文提出的方法具备一定的实用价值。

OMO视域下应用型本科院校实践课程发展探索

文章立足于应用型本科院校实践课程发展的现状,分别从课程设计与教学设计、课程内容、大学生自主学习能力等方面提出不足。在此基础上提出基于OMO教学模式的应用型本科院校实践课程设计,并分别从实践课程构成要素、实践课程设计、课程效果评价三方面论述了OMO视域下应用型本科院校实践课程发展探索。