考虑输入饱和的机械臂轨迹跟踪滑模控制

针对复合干扰和输入饱和特性影响机械臂轨迹跟踪精度的问题,给出了一种基于输入饱和补偿的自适应积分滑模控制策略。首先,基于自适应控制方法设计了辅助函数,以消除输入饱和特性的影响;其次,利用所估计的复合干扰上限,结合非奇异积分终端滑模控制方法设计轨迹跟踪控制律,使跟踪误差快速收敛至零的邻域,且削弱了抖振,经过Lyapunov稳定性定理的证明,该算法可以保证轨迹跟踪误差的有限时间收敛性;最后,通过仿真与实验手段,与自适应非奇异快速终端滑模控制方法的对比验证了所提控制方法的有效性。结果表明:机械臂各关节在仿真和实验中分别可以在0.5 s和0.8 s内跟踪上期望轨迹,跟踪误差能降低到1.2×10^(-3)rad和8.7×10^(-3)rad内,有效解决机械臂输入饱和问题和复合干扰对系统轨迹跟踪控制精度的影响。

联合仿真下机械臂终端约束模型预测控制方法

针对机械臂轨迹跟踪控制问题,提出了一种基于终端约束的机械臂轨迹跟踪模型预测控制方法。首先,通过设置目标函数及约束条件将轨迹跟踪问题转化成模型预测控制的数值规划问题;其次,为保证每个预测时域内机械臂能够有效地跟踪期望轨迹,在原约束条件中施加终端状态等式约束;最后,在控制时域内通过滚动优化机制实现反馈校正控制。应用所搭建的Gazebo-Simulink机械臂联合仿真平台对该控制方法的有效性进行验证。结果表明:机械臂各关节在0.31 s内能跟踪上期望轨迹,跟踪误差降低到1×10^(-3)rad,具有良好的跟踪性能和控制平稳性。

面向纺织生产环境的移动机器人定位方法

纺织行业的智能化、绿色化是“双碳”战略中必须进行升级的内容,移动机器人的大量应用将是未来趋势,但是各类纺机中的电动机、传动机构等在生产过程中产生的电磁环境不利于机器人定位。为解决上述问题,提出一种多传感器混合滤波方法,通过结合基于自适应蒙特卡洛定位(adaptive Mentcarto localization, AMCL)方法和无迹卡尔曼滤波(unscented Kalman filter, UKF)融合定位来保证定位的精度;将AMCL与轮式里程计、惯性导航、激光里程计结合使用,根据惯性导航数据对各传感器数据进行预处理减少误差的引入;并通过UKF滤波器进行局部姿态估计。最后,基于机器人操作系统(ROS)框架,利用Gazebo仿真软件构建无、有电磁干扰的纺织车间环境进行试验。结果表明:在无电磁干扰的仿真环境中,AMCL-UKF混合滤波算法定位精度相较于扩展卡尔曼(extended Kalman filter, EKF)融合定位算法、UKF融合定位算法,精度分别提升26.9%、26.0%。在有电磁干扰环境中引入误差减小36.7%。提出的定位方法能够有效提高移动机器人室内定位的精度,对于纺织生产电磁环境下具有较好的稳定性。

基于自适应特征融合的小样本细粒度图像分类

现有的小样本学习算法未能充分提取细粒度图像的特征,导致细粒度图像分类准确率较低。为了更好地对基于度量的小样本细粒度图像分类算法中提取的特征进行建模,提出了一种基于自适应特征融合的小样本细粒度图像分类算法。在特征提取网络上设计了一种自适应特征融合嵌入网络,可以同时提取深层的强语义特征和浅层的位置结构特征,并使用自适应算法和注意力机制提取关键特征。在训练特征提取网络上采用单图训练和多图训练方法先后训练,在提取样本特征的同时关注样本之间的联系。为了使得同一类的特征向量在特征空间中的距离更加接近,不同类的特征向量的距离更大,对所提取的特征向量做特征分布转换、正交三角分解和归一化处理。提出的算法与其他9种算法进行实验对比,在多个细粒度数据集上评估了5 way 1 shot的准确率和5 way 5 shot的准确率。在Stanford Dogs数据集上的准确率提升了5.27和2.90个百分点,在Stanford Cars数据集上的准确率提升了3.29和4.23个百分点,在CUB-200数据集上的5 way 1 shot的准确率只比DLG略低0.82个百分点,但是5 way5 shot上提升了1.55个百分点。

基于改进YOLOv5的玻璃纤维管纱缺陷检测方法

针对玻璃纤维管纱缺陷检测中存在的抗干扰能力差、检测精度低和检测速度慢的问题,提出了一种基于改进YOLOv5的玻璃纤维管纱缺陷检测方法(BY-YOLO)。首先建立了高效重参数网络(ER-Net)作为主干网络对管纱缺陷特征进行优化提取,利用结构重参数化技术和精确金字塔池化模块(R-SPP)提升检测速度,减弱特征噪声信息对检测效果的影响;其次提出了深度注意力路径聚合网络(DA-PANet)作为颈部网络对管纱的多尺度特征进行融合,通过特征增强模块Depth-Mixer和注意力机制模块增强管纱缺陷特征的语义信息,提高模型对多尺度缺陷的检测能力。试验结果表明:该方法能够将玻璃纤维管纱缺陷检测的mAP值提高至94.43%,同时将其检测速度提升到103帧/s。与其他主流的检测模型相比,该研究提出的方法拥有更高的鲁棒性、准确性和实时性。

融合Swin Transformer的立体匹配方法STransMNet

针对基于CNN的立体匹配方法中特征提取难以较好学习全局和远程上下文信息的问题,提出一种基于Swin Transformer的立体匹配网络改进模型(stereo matching net with swin transformer fusion,STransMNet)。分析了在立体匹配过程中,聚合局部和全局上下文信息的必要性和匹配特征的差异性。改进了特征提取模块,把基于CNN的方法替换为基于Transformer的Swin Transformer方法;并在Swin Transformer中加入多尺度特征融合模块,使得输出特征同时包含浅层和深层语义信息;通过提出特征差异化损失改进了损失函数,以增强模型对细节的注意力。最后,在多个公开数据集上与STTR-light模型进行了对比实验,误差(End-Point-Error,EPE)和匹配错误率3 px error均有明显降低。

基于改进Funnel控制的机械臂轨迹跟踪约束控制

针对关节柔性机械臂系统在未知输入饱和的情况下的稳态和瞬态性能约束问题,提出一种改进Funnel控制结合RBF自适应神经网络的轨迹跟踪控制方法。设计了改进的Funnel控制变量以避免控制律中的微分不可导的情况;构造了时变的瞬态性能约束函数,调节系统输出初始阶段的超调量和收敛速度;采用最小参数学习法的RBF自适应神经网络,逼近机械臂系统模型的未知函数和虚拟控制律的导数,简化了控制器的设计;通过李雅普诺夫稳定性定理,证明了闭环系统中所有变量是半全局一致最终有界的。仿真实验验证了所提方法有效性。