工业机器人时间一冲击最优轨迹规划

提出了一种基于改进遗传算法的时间-冲击最优轨迹规划算法,所提算法采用五次多项式插值方法对轨迹规划进行连续性控制,并引入海明距离和欧氏距离对遗传算法的交叉和变异策略进行改进.仿真结果表明,所提算法性能更优,能够更好地规划出时间-冲击最优轨迹.     

基于LCSS的异常轨迹检测算法

当今社会移动终端设备在极大便利人们生产生活的同时产生了海量轨迹数据.如何利用轨迹数据检测犯罪嫌疑人在物理空间中的异常行为成为公共安全领域的研究热点.基于行为人的GPS坐标数据,研究设计异常轨迹检测算法.对于某人在一段时间内的轨迹数据,首先将其划分为若干停留区域,未被停留区域覆盖的轨迹点被直接去除;然后将每一个停留区子轨...     

快速室内视觉同步定位与建图研究

家居机器人技术一般应用视觉同步定位与建图(SLAM,Simultaneous Localization and Mapping)来实现定位与构建导航地图,如何实现视觉SLAM系统快速准确定位和构建丰富环境信息的地图已经成为视觉SLAM研究的热点问题.本文将光流法与关键点结合,加快视觉SLAM的数据处理速度,并添加稠密点...     

打磨机器人自适应鲁棒约束跟踪控制

实际工作中的打磨机器人存在外部干扰或参数摄动等不确定因素,这些不确定因素有界但边界未知。针对这种不确定环境下的打磨机器人末端轨迹跟踪问题,文章提出一种自适应鲁棒约束控制方法。该方法将期望轨迹视为系统约束,利用约束跟踪的思想来解决轨迹跟踪问题,并将系统分为标称部分和不确定部分;针对标称部分,通过U-K(Udwadia-Kalaba)方程来求解约束力矩,使系统满足理想状态下的约束条件;针对不确定部分,设计一种泄漏型自适应律对不确定性边界进行估计,并根据估计的边界和约束误差来调节鲁棒控制项的增益,进而有效地补偿系统的不确定性。李雅普诺夫方法证明了该系统具有一致有界性和一致最终有界性,对简化后的打磨机器人进行末端轨迹跟踪控制的数值仿真实验结果验证了所提出方法的有效性。     

基于复杂网络的城市公交车辆动态分布分析方法

为了动态分析公交车辆在线网上的实时分布,文章构建一个基于车辆分布的公交动态复杂网络模型,基于复杂网络理论提出车辆服务强度与线网储备运力2个指标来反映公交动态复杂网络的分布特征。基于Space-L方法建立包含城市公交站点及线路信息的静态网络模型,分析公交静态网络特性;根据公交车辆实时GPS数据提取站点间车辆数作为边的权重,建立公交动态复杂网络模型,使用车辆服务强度与线网储备运力进行线网车辆分布分析并对动静态公交网络进行匹配性研究。将提出的方法应用于宁波市公交系统,研究发现：车辆服务强度呈现出明显的时间与空间差异;线网储备运力与网络直径具有较强的相关性,可以通过不同时刻动态网络直径的大小来分析线网的储备运力;公交静态网络与动态网络的关键参数差异表明两者不完全匹配。     

Haar小波的离散化消噪方法及其应用

介绍一种Haar小波离散化消噪方法,并应用该方法进行信号和图像消噪处理.首先将信号或图像用该方法实现计算机的离散化抽样取点,然后结合小波阈值方对含噪信号或图像用Haar小波作消噪处理,并进行离散平滑,实现连续小波离散化处理.该方法对信号和图像的消噪处理的效果好,具有广泛应用的价值.     

基于滑模观测器的四旋翼无人机全回路解耦控制

针对四旋翼无人机复杂轨迹跟踪控制面临的多通道耦合、强非线性以及多源干扰等问题,考虑四旋翼无人机的位置回路、姿态回路动态跟踪误差和执行机构实现过程,提出了一种全回路轨迹跟踪控制方案.首先,将四旋翼无人机轨迹跟踪控制问题转化为位置回路和姿态回路的指令跟踪问题;其次,将不同通道之间的耦合以及多源干扰影响视作集总干扰,并基于高...     

一类径向基神经网络干扰观测器轨迹线性化控制

利用径向基神经网络(RBFNN)的逼近能力,研究了基于径向基神经网络干扰观测器(RDO)的鲁棒自适应轨迹线性化控制(TLC)策略,以解决空天飞行器复杂飞行条件下系统不确定及干扰的控制问题。分析了系统存在不确定性时轨迹线性化控制方法性能降低甚至失效的原因,设计了自适应调节律,并采用Lyapunov方法严格证明了在该自适应调节律作用下闭环系统所有误差信号最终有界。仿真结果表明,较当前TLC方法的控制性能,新方案在空天飞行器系统上具有更优异的控制性能和鲁棒性。     

数字图像处理技术对影响投篮命中相关因素的分析

以基础力学理论对篮球飞行轨迹进行运算和分析,近年来专业体育科研机构也开始利用该方法对体育运动项目进行辅助分析。文章利用数字图像处理的基本技术,对影响篮球投篮命中率的相关因素进行研究,实验结果表明对提高运动技术水平具有一定的参考意义。     

基于强化学习的连续型机械臂自适应跟踪控制

针对空间主动碎片清除操作中连续型三臂节机器人系统跟踪问题,提出一种基于强化学习的自适应滑模控制算法。基于数据驱动的建模方法,采用BP神经网络对三臂节连续型机械臂进行建模,并作为预测模型指导强化学习实时调节所提出滑模控制器的控制参数,从而实现连续型机器人运动的实时跟踪控制。仿真结果表明：提出的数据驱动的预测模型对随机轨迹预测的相对误差保持在±1%以内,能够高精度地反映系统动态特性。对比固定参数的滑模控制器,提出的自适应控制器在保证系统达到控制目标的同时具有更低的超调量和更短的调节时间,表现出更好的控制效果。