基于演化深度神经网络的无人机协同无源定位动态航迹规划

 针对多无人机在无源定位过程中协同动态规划航迹提高定位精度问题,提出基于演化深度神经网络的分布式动态航迹优化方法。首先将演化计算与深层前向反馈神经网络结合,设计基于演化神经网络的无人机协同无源定位动态航迹规划框架。以多无人机到达角（AOA）协同定位为例,利用定位过程中对目标估计的克拉美罗界（CRLB）生成最优训练集。通过无人机下一时刻与目标形成的相对构型作为系统学习的行为,从而得到下一时刻优化后的航迹点。实验结果表明,该方法相对于传统中心控制的无人机协同定位方法,具有更低的处理延时,能够以更短时间达到定位精度。     

基于深度学习的贝类目标定位与统计测量方法

提出了一种基于机器视觉和深度学习的贝类目标检测和统计测量方法。首先，设计了一种带有4个角点的平面容器，在检测到图像像素角点后，根据平面投影的单应性，建立其和实际物理角点的映射关系，可得到像素坐标转换为实际物理坐标的单应矩阵。其次，采用目标检测的方法得到目标的定位框，并根据得到的单应矩阵，可将定位框的像素坐标转换为实际测量坐标，从而得到目标的实际尺寸。实现的算法可以移植到手机等便携式设备上，根据随意拍摄的图像便可直接输出目标的平均直径，具有很好的便利性。实验结果表明，本方法能够客观地对目标尺寸进行测量和统计，有效地克服了人工测量统计速度慢效率低的不足。     

基于NGPC的UUV路径跟随控制

针对水下无人潜航器（UUV）路径跟随问题,提出了一种基于模型的非线性反馈跟随控制方法.考虑UUV两输入、三输出的非线性跟随模型,选择与输出误差和控制误差相关的性能指标函数,利用基于最小化指标函数的非线性广义预测控制算法设计路径跟随器.针对UUV跟随模型简化后不确定性对路径跟随效果的影响,在控制闭合回路中提出了基于积分形式的水动力参数辨识方案,以减小路径跟随过程中规划路径和实际跟随路径之间的位置误差.最后,通过湖试验证了所提出方法的有效性.     

三轴飞行转台控制系统的仿真研究

以三轴飞行转台内框伺服控制系统为研究对象,提出了常规PID控制算法和基于模型预测的BP神经网络PID控制算法,并对阶跃、斜坡、加速度输入信号进行MATLAB仿真,得出误差曲线.仿真结果对比表明,在控制对象不确定的情况下,后者是较优越的一种算法,对改进转台控制效果有着较大的参考意义.     

面向机器人抓取的双目视觉单步多目标检测方法应用研究

针对工业机器人的抓取技术普遍采用离线示教的方式,目标物的改变就会导致抓取不准的问题,研究了一种面向机器人抓取的双目视觉单目多目标检测方法,强化了机器人的抓取能力;首先搭建机器人抓取视觉检测系统,系统采用双目测距模型定位深度,单步多目标检测器定位像素坐标;通过相机标定和eye-to-Hand手眼标定将图像中的像素坐标以及双目测距模型的深度坐标转换为机器人基坐标的位姿,建立机器人运动学模型完成机器人基坐标到机器人末端坐标的转换,通过ROS实现上位机与机器人通讯,并将定位结果发送给ROS;经过多次实验,表明方法的目标检测误差在3.5 mm以内,深度误差在1.2 mm之内,具有很好的实用推广价值。     

无人机飞行姿态误差对地面点坐标精度影响评估

无人机载POS直接对地定位可显著提高航空摄影测量工作效率,但POS直接获取的像片外方位元素存在明显的误差分量将直接影响定位地面点的坐标精度.为探讨无人机载POS的姿态角测量误差与定位地面点坐标精度之间的关系,从摄影测量共线条件方程出发,构建了待求地面点坐标与像片外方位元素间的关系误差模型,并利用模拟的外方位元素数据展开实验,定量分析了无人机姿态角元素误差对待求地面点坐标精度的影响.结果表明,POS获取的像片姿态角元素误差对待求地面点坐标精度影响较大.因此,为保证无人机飞行的稳定性和外方位角元素测量的精确性,必须抑制飞行姿态误差对地面点目标精度的影响.     

汽车自动驾驶的方向与车速控制算法设计

【】用于港口集装箱转运和路面疲劳试验加载等场合的半挂汽车列车运输具有线路固定和场地封闭等特点,采用自动驾驶将提高行车安全、减少人力成本。本文以半挂汽车列车为控制对象,设计了汽车自动驾驶的方向和车速控制算法。采用基于侧向位置偏差和航向偏差联合控制参数的方向控制策略。为增强方向控制算法对不同车速的适应性,引入基于稳态转向增益的方向控制增益调度。车速控制采用预瞄位置期望车速与当前实际车速的偏差反馈PID控制,以油门开度与制动踏板行程为非相容组合控制输入,依据期望纵向加速度确定不同控制输入方式的切换及控制输入大小。采用Matlab/Simulink和TruckSim协同仿真手段评价自动驾驶控制效果,仿真结果表明在设定不同路径和目标车速下,提出的算法均能以较小侧向位置偏差、航向偏差和车速误差实现路径和车速跟踪。     

基于理想轨迹学习的机械手神经自适应控制

在机械手鲁棒控制的基础上,讨论了神经网络逼近误差界未知情形下机械手的神经网络直接自适应控制方法,这里神经网络用于补偿系统的不确定性,提高整个系统的跟随性能。提出设计方法的主要特点是神经网络控制器设计采用机械手待跟随的理想关节信号代替实际的机械手关节角、关节速度和关节角加速度作为神经网络的输入,此外神经网络的逼近误差界假设是未知的。给出了具体的系统设计算法,并证明了神经网络学习算法的收敛性和整个系统的全局稳定性。最后,一两连杆机械手的控制器设计仿真实例验证了提出算法的有效性。     

无人机神经网络重构控制

针对无人机可重构飞行控制系统提出一种基于径向基神经网络的模型跟随自适应逆重构控制方法,其核心是建立内外控制回路,内回路运用自适应逆控制,使得系统不受外部扰动和测量噪声的影响。外回路采用神经网络模型跟随自适应控制结构,使用神经网络和比例混合控制器,对参考模型和系统输出之间的误差进行自适应调整,利用误差来改变神经网络控制器的参数,使得系统达到满意的动态性能。并通过一个具体重构仿真结果证实了该方法的有效性。     

激光切割的功率控制及其与运动的同步控制

为了使得激光功率跟随加工速度按照所需比率同步变化,建立了材料单位面积激光功率与切缝深度、激光器控制信号与输出功率间的函数关系.结合闭环控制策略,实现了任意材料、任意有效切缝深度下的激光功率控制以及激光功率与运动的精确同步控制.实验结果表明:该控制算法能够保证一致的切缝深度,获得均匀一致的切割质量;其功率控制精度约为1.47%,切缝深度误差在1%以内.     

基于深度学习的低成本堆叠物料定位系统

针对堆叠物料无序分拣中传统定位方法硬件成本高、检测精度低等问题,设计了一种基于深度学习的堆叠物料定位系统.以单目光学相机采集得到的图像作为输入数据,利用单阶段检测算法得到候选目标,采用卷积神经网络进行目标筛选,最后对筛选后的目标感兴趣区域图像进行特征点回归,得到目标的类别、坐标和角度.堆叠物料定位系统由于无需昂贵的深度相机,且算法的鲁棒性较高,降低了硬件成本,提高了检测精度.在真实场景的测试结果显示,新系统的定位误差降低到了0.3 cm以内.      

基于深度学习图像分析的晶体特性反馈控制

针对晶体尺寸期望以及标准偏差特性的在线反馈控制问题，提出一种基于深度学习图像分析的在线反馈控制方法.首先，通过基于深度学习神经网络的晶体图像分析方法在线分析晶体的形状与尺寸；然后，对图像分析的结果进行数学统计分析，得到某一批次晶体的尺寸期望与标准偏差；最后，针对晶体尺寸期望和标准偏差控制的欠输入特性设计了一种路径跟踪算法与PID相结合的反馈控制器，以获得具有目标尺寸期望与标准偏差的晶体.通过明矾冷却结晶实验验证了所提方法的有效性和可行性.     

基于深度强化学习的无人机姿态控制器设计

为了能让四旋翼无人机的姿态控制器具有强大的目标值追踪与抗外部干扰的能力,提出了一种基于参考模型的深度确定性策略梯度的四旋翼无人机姿态控制器设计。该方法通过神经网络,将四旋翼无人机的状态直接映射到输出。本文的强化学习算法是结合深度确定性策略(deep deterministic policy gradient,DDPG)和深度神经网络所设计的。在DDPG算法结构中,进一步加入参考模型,规避控制量太大造成的系统超调,增强了系统的稳定性以及鲁棒性。同时,修改了强化学习中奖励的构成,成功消除了系统的稳态误差。经过研究实验表明,该控制方法可以对目标值进行快速地追踪且有着较强的鲁棒性,可见该控制器相比于传统的控制器,提高了其目标值追踪能力以及抗干扰能力。     

无模型坐标补偿积分滑模约束的自动驾驶汽车轨迹跟踪控制

为了解决四轮自动驾驶汽车轨迹跟踪的复杂控制问题，提出一种新的全格式无模型自适应坐标补偿积分滑模约束控制方案。控制方案只需要自动驾驶车辆轨迹跟踪的I/O数据，不涉及车辆模型信息，即前轮转角输入数据和车辆横摆角输出数据。因此，该方案对于不同车型均能实现轨迹跟踪控制。在轨迹跟踪过程中只针对车辆横摆角进行控制易造成跟踪轨迹偏差，本文在全格式无模型自适应控制的基础上加入坐标补偿算法；为了提高系统在运行过程中的鲁棒性，加入积分滑模控制；为了应对在滑模控制过程中系统运行在饱和区域，设计了动态补偿，使轨迹跟踪系统运行在滑模控制的线性区域。最后，对无模型自适应积分滑模约束控制方案、原型无模型自适应控制算法和PID算法进行仿真比较。仿真结果表明，所提算法比传统控制方法具有更好的控制性能，跟踪波动误差在0.09%以内，稳定时间在0.5 s以内，跟踪曲线平滑。     

基于深度学习的多媒体移动物体检测技术研究

为了解决深度学习技术无法满足用户对多张照片移动目标物体识别的需求,提出基于深度学习的多媒体移动物体检测技术.提出基于前馈神经网络的目标定位技术,设计目标定位模型,计算目标边界框的大致位置以及概率;对视频中的目标行为进行预测;利用卷积神经网络融合特征和自然语言搜索特征完成自然目标搜索.     

基于BP神经网络自学习的双目视觉系统的研发

在摄像机标定的过程中,深度信息的丢失,摄像机镜头的畸变以及图像处理时误差等因素都影响标定的精度．本论文采用BP神经网络的自学习的性能,开发出一套双目视觉系统．以匹配点在左、右图像的坐标为网络的四路输入,通过网络得到三路输出,性能指标为该对应点在世界坐标系的坐标和网络输出的差值的平方和,根据梯度下降法来调整各神经元之间的连接权值,求得网络达到给定的误差时的各节点问权值．这样,双目视觉系统两个摄像机的投影矩阵可以用神经网络的权值与激发函数来代替,完成系统的标定．最后对系统进行精度分析．     

有人/无人机协同系统的目标定位方法

针对有人/无人机协同系统,首先,根据目标精确打击的任务特点对其组成和作战流程进行讨论,并将快速精确定位作为研究的核心问题;然后,引出基于观测向量投影点的目标定位方法,根据投影点分布的不同,建立完整的优化模型,并利用ISIGHT组合优化进行最优解的快速搜索;最后,利用地面站及三架无人机组成的模拟协同系统进行飞行试验.试验结果表明:本定位方法的计算精度和效率较高,平均误差在10m以内,耗时仅为0.76 s,相比传统单点定位和多点定位法具有一定的优势.并且通过验证定位误差是由测量输入误差所致的假设.     

基于分布式协同控制的警用无人机群目标追踪控制

以暴力突发事件中警用无人机追踪、包围、逮捕逃跑犯罪人员为研究背景,开展了多个非完整型无人机协同目标追踪控制研究。系统的控制目标是多个无人机以期望的相对半径、角间距对逃跑犯罪人员进行追踪。利用反演法,设计了全局坐标系下的分布式控制策略,最终实现了无人机群的期望运动,并利用李雅普诺夫工具进行了系统稳定性和收敛性分析。并利用仿真实验,验证了所提控制算法的有效性。     

单信标测距AUV水下定位系统观测性分析

针对基于单信标测距的自主水下航行器(AUV)定位系统观测性问题,建立AUV三维空间运动学模型,选取实物平台常用的深度、偏航角和俯仰角作为基本观测量辅助距离信息进行水下定位,利用基于Lie导数的非线性系统观测性秩判据分析不同辅助测量值下系统的可观性以及控制输入和运动路径对可观性的影响。研究结果表明:满足定位系统可观测的最简量测组合为距离值和偏航角,含有偏航角的辅助量测组合均使得定位系统可观测,系统控制输入和运动路径的变化会导致可观性发生变化。     

无人直升机纵、横向姿态建模与稳定控制

在实际飞行中设计调整小型无人直升机控制器存在很多危险,为了达到小型无人直升机的姿态稳定控制,设计小型无人直升机试验平台.通过试验,采集控制器输入信号和相应无人直升机飞行姿态角信号,提出了动态系统辨识模型,运用神经网络对所提模型进行了辨识.应用输出反馈实现姿态的稳定解耦控制,仿真结果验证了辨识模型和控制算法的有效性.