一种机器人路径规划的元胞自动机算法

利用元胞自动机模型解决移动机器人的运动路径规划问题。该算法环境空间已知且被分解成规则的方形元胞网格,机器人根据转换规则由当前元胞向邻居元胞移动最终形成最优路径。最后在实验环境中进行仿真,结果显示在机器人起点和终点的运动方向有约束的情况下也能迅速规划出最优路径,表明了该算法的可行性和有效性。     

基于元胞自动机的启发式算法的改进

将元胞自动机应用于机器人路径规划,对移动机器人及其周围环境建立元胞自动机模型。机器人环境空间完全已知时,利用启发式算法与元胞自动机模型结合的方法,通过反复遍历具有最低耗费值的一系列元胞生成最优路径。并利用多层次的交互式元胞自动机,在方向有约束和地形耗费不同的环境中实现机器人的路径规划。     

自由浮动空间柔性冗余度机械臂姿态稳定控制

讨论了自由浮动柔性冗余度空间机械臂的姿态稳定控制问题.采用假设模态法对柔性连杆的变形进行近似描述,忽略高阶弹性振动模态,然后利用拉格朗日法建立空间柔性冗余度机械臂系统的动力学模型.在此模型基础上利用奇异摄动法把系统分解为快慢2个子系统,设计慢变子系统的模糊滑模控制器,以保证轨迹误差的渐近跟踪.对快变子系统则采用最优控制...     

多指手爪非线性分析及其位置离散学习控制

本文通过分析机器人多指手爪的静摩控，库伦磨擦，粘性磨擦等非线性因素，推导出多指手爪屈伸关节的动态控制模型，针对指手爪的非线性影响，提出了一种位置离散学习控制方法，并给出了这种方法的收敛性定理，仿真结果表明，离散学习控制方法能在有限次迭代后使手指关节位置达到期望位置。     

机器人路径规划的元胞自动机算法

采用Moore型邻居规则建立机器人路径规划的元胞自动机模型和演化规则,通过对移动机器人的路径进行演化,讨论了周围环境已知情况下的移动机器人元胞自动机路径规划问题。在演化规则中增加危险度检测,使得机器人能够避免碰撞和穿越障碍,仿真实验结果表明,利用元胞自动机可以实现复杂环境的机器人路径搜索,避免死锁和碰撞,达到快速的最优路径。     

基于Tree-CNN 的飞机腐蚀铆钉分类

针对目前飞机腐蚀铆钉分类准确率较低，且以手工检测为主的现状，提出一种基于Tree 结构的CNN ( Convolutional Neural Networks) 分类算法用于飞机铆钉腐蚀分类。算法中Tree 的深度和节点数由普通结构的 CNN 分类方法计算得到的铆钉类别的混淆矩阵决定，对于5 分类的飞机铆钉实验，Tree 的深度为3。经实验验 证，所提出的Tree-CNN 模型在飞机腐蚀铆钉数据集上分类精度达到86． 5%，获得了较高的腐蚀铆钉分类准 确率。     

空间双臂机器人系统的最优内力分配计算

针对本体位置、姿态均不可控的自由浮动空间双臂机器人抓物系统的内力分配问题 ,提出了基于模拟退火算法和遗传算法的优化方法 .将机器人两机械臂各关节广义驱动力矩的范数之和作为目标函数 ,末端抓手的抓持内力作为优化变量 ,采用了模拟退火算法和遗传算法来求解该优化变量 ,使机器人消耗的能量最小 ,并对双臂六自由度空间机器人抓物系统进行了仿真 ,仿真结果证实了该优化方法是有效的     

基于CNN 和sEMG 的手势识别及康复手套控制

由于sEMG( Surface Electromyography) 对肌肉疲劳、不同患者以及电极位移等都非常敏感,设计一种可 靠、鲁棒的智能手部康复设备仍然是一项艰巨的工作。为此,提出一种基于深度学习的康复手势神经解码方 法,利用患者前臂的表面肌电信号,通过卷积神经网络( CNN: Convolutional Neural Network) 识别患者的手部运 动意图。通过组合特征提取方法,对8 通道肌电信号每个通道的信号进行组合特征提取,组合特征包括小波包 分解能量特征、时域特征和频域特征共32 个特征。将8 个通道特征组成一个8 × 32 的数值矩阵并进行灰度处 理成特征图,再用此特征图训练卷积神经网络,对5 种不同手势进行分类,分类器准确率达到98． 1%。最后通 过STM32 I /O 口根据分类结果输出对应的PWM( Pulse Width Modulation) 控制信号控制康复手套的动作,表明 了该方法的可行性,为深入研究康复手套运动控制奠定了基础。     

动态分段的飞机舱音记录器混合信号在线盲分离性能分析

针对飞机驾驶舱话音记录器(CVR)中存在轻微时变特性和信号有大量近零值的情况,提出一种基于信号样本动态分段的在线盲分离算法.应用独立分量分析的在线算法对CVR混合信号进行动态分段处理,再通过快速的FastICA算法进行精确化求解.为了使估计器获得最佳性能,适当调整分离矩阵各行权值.仿真结果表明,该算法可有效地将CVR混合信号中独立的声音信号分离出来,分离效果优良.     

基于多路卷积神经网络的手势识别方法

为提高利用表面肌电信号(sEMG:Surface Electromyography)进行手势识别的准确率并解决其受不同提取特征影响的问题,提出了一种基于多路卷积神经网络(MB-CNN:Multi-Branch Convolutional Neural Networks)的手势识别方法.首先,使用MYO手环采集8种不同手势的sEMG信号;然后,利用滑动窗口法对sEMG信号进行活动段提取,生成大小为64×8的原始训练样本;其次,作为对比实验,提取7种不同的时域和频域特征,利用机器学习算法进行手势识别.最后,在避免常规特征提取的情况下,构建了一种多路卷积神经网络模型用于手势识别,测试集上准确率达97.89％.实验表明,针对手势识别问题,该方法高效可行.