面向测量的工业机器人定位误差补偿

针对机器人定位误差影响柔性视觉测量精度问题 ,研究了基于视觉技术的机器人定位误差补偿方法。在传感器上附加单个定向 相机,在传感器测量场景中设置全局控制点,通过定向相机测量控制点,实时获取传感器当 前位置下与全 局坐标系的转换关系,补偿机器人定位误差。由于直接应用补偿精度低,针对机器人定位误 差产生的原因 和特点,改进补偿方法,将角度参数作为已知量,仅优化位移变量。实验结果表明,单相机 补偿方法均方 根误差(RMSE)为3.422mm,改进方 法的RM SE优于0.10mm,改进后的单相机补偿方法有效地提 高了传感器定位精度,模型简单,方法可行,能够满足机器人定位误差补偿的精度要求。     

基于轻量级图卷积网络的校园暴力行为识别

针对卷积神经网络和图卷积网络的两类算法在校园暴力行为识别中识别速度和识别率不高的问题,本文提出一种结合多信息流数据融合和时空注意力机制的轻量级图卷积网络.以人体骨架为研究对象,首先融合关节点和骨架相关的多信息流数据,通过减少网络参数量来提高运算速度;其次构建基于非局部运算的时空注意力模块关注最具动作判别性的关节点,通过...     

基于光谱注意力图卷积网络的高光谱图像分类

近年来,图卷积网络因其特征聚合的机制,能够同时对单个节点以及近邻节点的特征进行表示,被广泛应用于高光谱图像的分类任务。然而,高光谱图像(HSI)中常存在波段冗余、同物异谱等问题,使得直接利用原始光谱特征构建的初始图可靠性不足,从而导致高光谱图像的分类精度低。为此,该文提出一种基于光谱注意力图卷积网络(SAGCN)的高光谱图像半监督分类方法。首先,利用注意力模块对光谱的局部与全局信息进行交互,以增加重要光谱的权重、减小冗余波段以及噪声波段的权重,从而实现光谱的自适应加权;然后,针对光谱加权处理后的高光谱图像,通过空间-光谱相似性度量构建更为准确的近邻矩阵;最后,通过图卷积对标记和无标记样本进行有效的特征聚合,并使用标记样本的聚合特征训练网络。在Indian Pines, Kennedy Space Center和Botswana 3个真实高光谱图像数据集上的实验结果验证了所提方法的有效性。     

基于三维图卷积与注意力增强的行为识别模型

针对当前行为识别方法无法有效提取非欧式3维骨架序列的时空信息与缺乏针对特定关节关注的问题,该文提出了一种基于3维图卷积与注意力增强的行为识别模型。首先,介绍了3维卷积与图卷积的具体工作原理;其次,基于图卷积中可处理变长邻居节点的图卷积核,引入3维卷积的3维采样空间将2维图卷积核改进为具有3维采样空间的3维图卷积核,提出一种3维图卷积方法。针对3维采样空间内的邻居节点,通过3维图卷积核,实现了对骨架序列中时空信息的有效提取;然后,为增强对于特定关节的关注,聚焦重要的动作信息,设计了一种注意力增强结构;再者,结合3维图卷积方法与注意力增强结构,构建了基于3维图卷积与注意力增强的行为识别模型;最后,基于NTU-RGBD和MSR Action 3D骨架动作数据集开展了骨架行为识别的研究。研究结果进一步验证了基于3维图卷积与注意力增强的行为识别模型针对时空信息的有效提取能力及识别准确率。     

六自由度工业机器人位姿误差的补偿方法

为了实现工业机器人的位姿误差补偿,在分析了机器人的位置误差和姿态误差的基础上,利用修正后的D-H算法建立了机器人运动学方程,并利用矩阵法建立了机器人的位姿误差分析模型。提出一种将机械结构参数综合映射到关节角度参数的补偿方法,并设计了一套适合此方法的补偿实验。通过对实验结果的分析与计算,验证了该方法适用于机器人位姿误差补偿,大幅度提高了机器人的绝对精度。     

基于三维图卷积与注意力增强的行为识别模型

针对当前行为识别方法无法有效提取非欧式3维骨架序列的时空信息与缺乏针对特定关节关注的问题,该文提出了一种基于3维图卷积与注意力增强的行为识别模型.首先,介绍了3维卷积与图卷积的具体工作原理;其次,基于图卷积中可处理变长邻居节点的图卷积核,引入3维卷积的3维采样空间将2维图卷积核改进为具有3维采样空间的3维图卷积核,提出一种3维图卷积方法.针对3维采样空间内的邻居节点,通过3维图卷积核,实现了对骨架序列中时空信息的有效提取;然后,为增强对于特定关节的关注,聚焦重要的动作信息,设计了一种注意力增强结构;再者,结合3维图卷积方法与注意力增强结构,构建了基于3维图卷积与注意力增强的行为识别模型;最后,基于NTU-RGBD和MSR Action 3D骨架动作数据集开展了骨架行为识别的研究.研究结果进一步验证了基于3维图卷积与注意力增强的行为识别模型针对时空信息的有效提取能力及识别准确率.     

结合时空注意力机制和自适应图卷积网络的骨架行为识别

针对骨架行为识别对时空特征提取不充分以及难以捕捉全局上下文信息的问题,研究了一种将时空注意力机制和自适应图卷积网络相结合的人体骨架行为识别方案。首先,构建基于非局部操作的时空注意力模块,辅助模型关注骨架序列中最具判别性的帧和区域;其次,利用高斯嵌入函数和轻量级卷积神经网络的特征学习能力,并考虑人体先验知识在不同时期的影响,构建自适应图卷积网络;最后,将自适应图卷积网络作为基本框架,并嵌入时空注意力模块,与关节信息、骨骼信息以及各自的运动信息构建双流融合模型。该算法在NTU RGB+D数据集的两种评价标准下分别达到了90.2%和96.2%的准确率,在大规模的数据集Kinetics上体现出模型的通用性,验证了该算法在提取时空特征和捕捉全局上下文信息上的优越性。      

基于改进型BP神经网络的电网负荷预测

考虑到传统的线性电网负荷预测方法的预测精度无法满足现代电力电网管理系统的要求,使用更适用于电力电网负荷的预测任务的非线性BP神经网络算法建立预测模型。由于常规的BP神经网络存在容易陷入局部最优解以及收敛效率低等问题,该文使用模拟退火算法对BP神经网络权值训练算法进行优化,提高预测模型的收敛效率和自学习能力。通过实例对所研究的预测模型进行分析,结果表明,所研究的改进型BP神经网络的训练次数和训练耗时均低于常规神经网络,具有更高的收敛精度,同时改进型BP神经网络预测模型的预测误差明显降低,具有较好的工程应用价值。     

多源异构数据融合的城市私家车流量预测研究

通过有效地捕获城市私家车出行的时空特征,提出一种多源异构数据融合的私家车流量预测模型。首先,融合私家车轨迹和城市区域数据表征城市私家车的出行分布;其次,通过多视角时空图建模私家车出行和城市区域之间的动态关联,设计了多图卷积-注意力网络以提取车流量演变的时空特征;最后,进一步融合时空特征与天气等外部特征,联合预测私家车流量。在长沙市和深圳市采集的真实数据上进行验证,实验结果表明,与现有的模型相比,所提模型的均方根误差约降低了11.3%~20.3%,平均绝对百分误差约降低了10.8%~36.1%。     

基于知识图谱的城市轨道交通突发事件演化结果预测

准确预测突发事件的演化结果,对城市轨道交通系统制定应急方案、保障安全运营,具有重要的参考意义。目前突发事件演化结果预测方法智能化程度不高,过分依赖决策者主观设定的特征权重、检索模板,复杂、准确性低且应用性较弱。该文基于知识图谱(KG)和关系图卷积神经网络(R-GCN)模型提出一种城市轨道交通突发事件演化结果预测方法。首先,构建城市轨道交通突发事件知识图谱,将与事件相关的场景信息进行结构化处理;其次,基于关系图卷积神经网络模型构建城市轨道交通突发事件结果的预测模型;最后,利用城市轨道交通突发事件案例库进行验证。实验结果表明,所提预测方法具有较好的准确率、较强的普适性,可为轨道交通应急管理提供方法和技术支持。     

Research on error compensation of robot based on multi-hole measurement technology and particle swarm optimization

Robot error compensation is a technique for enhancing the positioning accuracy of the system. This paper presented an error measuring technique for serial robots based on the multi-hole measuring method, combined with the intelligent particle swarm optimisation (PSO) to obtain the optimal solution of the robot's error compensation values, thereby improving the positioning accuracy of the robot. In the experiment, the robot error was measured using self-made multi-hole measuring plates and probes, and the experimental data were combined with PSO for the error comprehensive analysis. The results showed that on this type of serial robot, the multi-hole measuring method and PSO algorithm had obvious error compensation effects, which effectively improved the positioning accuracy of the robot, with the error reduced by 35% after compensation.     

联合特征增强和锚点自动生成的遥感图像高精度目标检测

目标检测是遥感图像处理领域中一项重要而具有挑战性的任务,针对遥感图像中目标尺度差异较大以及方向分布随机等导致的遥感图像多尺度目标检测精度较低问题,本文提出一种基于特征增强和锚点框自动生成模块的目标检测方法。该方法在ResNet50网络中加入可操控的空洞卷积模块,并以此为基础设计了增强特征金字塔网络,提高网络对于目标多尺度特征表达能力。在区域建议网络中利用锚点框自动生成模块自主学习锚点框的位置和形状,以此获得更为稀疏和高质量的候选区域。本文在NWPU VHR-10数据集和飞机目标数据集上与多种基于卷积神经网络的目标检测算法进行对比实验,结果表明,本文所提方法在两个数据集上的mAP均为最优,分别为99.2%和87.7%,该方法具有较强的尺度自适应能力,有效的提高了遥感图像多尺度目标检测的精度。      

长航时激光惯导定位误差的补偿方法研究

针对激光惯导长时间航行时定位误差发散的问题,提出了一种适用于激光惯导定位误差综合补偿的方法。引入经典的误差方程和旋转激光陀螺的误差方程,主要分析陀螺漂移对惯导系统的影响,根据分析结论,提出了基于外部位置和航向信息的长航时激光惯导定位误差的补偿方法。理论和实验分析表明,所提出的补偿方法明显的抑制了激光惯导的误差随时间的积累,可有效提高长航时激光惯导的定位精度。     

基于非对称卷积的孪生网络视觉跟踪算法

针对孪生网络对旋转变化目标特征表达能力不足的问题,该文提出了基于非对称卷积的孪生网络跟踪算法。首先利用卷积核的可加性构建非对称卷积核组,可以将其应用于任意卷积核大小的已有网络结构。接着在孪生网络跟踪框架下,对AlexNet的卷积模块进行替换,并在训练和跟踪阶段对网络进行分别设计。最后在网络的末端并联地添加3个非对称卷积核,分别经过相关运算后得到3个响应图,进行加权融合后选取最大值即为目标的位置。实验结果表明,相比于SiamFC,在OTB2015数据集上精度提高了8.7%,成功率提高了4.5%。     

基于自组织可增长映射的移动机器人仿生定位算法研究

为提高移动机器人在同步定位和地图构建(SLAM)中的定位精度,该文提出一种基于自组织可增长映射 (GSOM)的仿生定位算法。该方法将位置细胞的激活特性和神经网络输出层神经元建立响应连接,通过GSOM神经网络构建空间的拓扑地图,利用感知距离信息实现位置细胞的激活响应从而估计机器人位置,以此还原机器人的运行路径。实验结果表明细胞间隔R对定位精度有较大影响,选取合适的细胞间隔能有效地减少神经网络的学习时间,提高定位精度,该文算法平均误差在0.153 m以内,定位精度达到90.243%,均优于原有算法。经验证该文算法建立的模型能够实现机器人的空间位置表征,提高了机器人在实验场景下的定位精度,表现出良好的位置估计性能。     

基于自组织可增长映射的移动机器人仿生定位算法研究

为提高移动机器人在同步定位和地图构建(SLAM)中的定位精度,该文提出一种基于自组织可增长映射 (GSOM)的仿生定位算法。该方法将位置细胞的激活特性和神经网络输出层神经元建立响应连接,通过GSOM神经网络构建空间的拓扑地图,利用感知距离信息实现位置细胞的激活响应从而估计机器人位置,以此还原机器人的运行路径。实验结果表明细胞间隔R对定位精度有较大影响,选取合适的细胞间隔能有效地减少神经网络的学习时间,提高定位精度,该文算法平均误差在0.153 m以内,定位精度达到90.243%,均优于原有算法。经验证该文算法建立的模型能够实现机器人的空间位置表征,提高了机器人在实验场景下的定位精度,表现出良好的位置估计性能。     

基站几何布局对定位误差的影响

针对目前无线网络定位精度不够高的缺点,文中利用误差分析的方法探讨了影响无线网络定位精度的有关因素.在不考虑非视距误差的情况下其定位误差主要取决于网络中各基站的几何分布.通过仿真显示,在不考虑非视距误差的情况下,基站几何布局对移动台的定位误差具有较大的影响.因此在多基站的环境下,文中给出一种定位基站选择算法,可以有效的提高定位精度.     

基于全注意力机制的多步网络流量预测

预测资源分配能有效利用无线网络的剩余资源服务非实时业务,其中的关键问题之一是剩余资源的预测,可转化为实时业务流量预测问题。本文把面向自然语言处理提出的全注意力机制引入到时间序列预测问题中,预测未来分钟级时间窗内秒级的流量,通过在每秒记录的实测流量数据集上进行训练和测试,与其他基于循环神经网络和线性、非线性预测模型的方法在复杂度（由训练和测试时间衡量）、预测精度（由平均相对百分比误差衡量）和预测误差统计特性（由预测误差的均值和标准差衡量）等方面进行比较。研究结果表明,与无注意力机制的循环神经网络相比,所设计的基于全注意力机制的方法计算复杂度低,由于多步预测的累积误差,在预测精度方面增益不明显。      

视觉引导的装配机器人平面定位补偿方法

为了提高选择顺应性装配机器手臂（SCARA）机器人平面定位的精度,采用网格模型结合最小距离误差逼近的方法,首先构建SCARA机器人平面定位的简化模型,概述网格模型构建原理,然后通过视觉采集机器人末端第1次到达的实际点与期望点相对位置关系,构建可变参量的起始网格模型,再采用最小距离误差逼近,求解下一步构建可变参量网格模型起始点,最后由期望点在网格模型中位置分布情况决定模型粒度点的收敛更新方向。结果表明,视觉引导的定位补偿策略弥补了因模型不精准而造成的平面定位精度不高的现象;空间插值补偿法定位精度为1mm~3mm,平面定位补偿精度较之有较大提高。该方法调节的参量单一、机器末端移动次数明确、工业应用性强。