软体机械臂水下自适应鲁棒视觉伺服

水下仿生软体机器人在水底环境勘测,水下生物观测等方面具有极高的应用价值.为进一步提升仿章鱼臂软体机器人在特殊水下环境中控制效果,提出一种自适应鲁棒视觉伺服控制方法,实现其在干扰无标定环境中的高精度镇定控制.基于水底动力学模型,设计保证动力学稳定的控制器;针对柔性材料离线标定过程繁琐、成本高,提出材料参数自适应估计算法;针对水下特殊工作条件,设计自适应鲁棒视觉伺服控制器,实现折射效应的在线补偿,并通过自适应未知环境干扰上界,避免先验环境信息的求解.所提算法在软体机器人样机中验证其镇定控制性能,为仿生软体机器人的实际应用提供理论基础.     

软体机器人手眼视觉/形状混合控制

当末端带有相机的连续型软体机器人进行作业时,由于避障、安全性等多方面因素,既需要末端相机－机器人系统的视觉伺服,也需要机器人的整体形状控制．针对这个问题,本文提出了一种软体机器人手眼视觉/形状混合控制方法．该方法无需知道空间特征点的3维坐标,只需给定特征点在末端相机像平面的期望像素坐标和软体机器人的期望形状就可达到控制目的．建立了软体机器人的运动学模型,利用该模型,结合深度无关交互矩阵自适应手眼视觉控制和软体机器人形状控制,提出了一种混合控制律,并用李亚普诺夫稳定性理论对该控制律进行证明．仿真和实验的结果均表明,末端相机特征点像素坐标和形状可以收敛到期望值．     

基于AC-YOLO的路面落叶检测方法

随着城市绿化程度的不断提高,落叶清理任务变得更加复杂繁重.针对落叶形状多变、大小不一、背景复杂、分布不均的特点,提出一种融合Attention-Context (AC)网络和YOLOv3的落叶检测算法(AC-YOLO),解决现有模型对落叶漏检、误检的问题,实现快速、准确地识别检测路面落叶.针对小目标落叶易发生漏检的问题,提出AC网络结构,将不同层次的特征映射融合作为小目标的上下文信息,同时引入自注意力机制来抑制复杂背景和底层噪声带来的影响,提升小目标落叶检测能力;其次,采用Mish激活函数替换Leaky ReLU以提升模型的泛化能力,提高落叶检测准确度;最后,考虑到落叶堆叠情况对清理机器人的工作效率有影响,提出非极大值融合算法(nonmaximum fusion, NMF)来融合密集落叶预测框,从而通过更少的导航点解决密集落叶的检测问题,同时提升落叶检测清理的效率.实验结果表明,基于AC-YOLO的检测算法对落叶检测的覆盖率(cover)达到95%,检测速度达到53帧/s,可以完成实际应用环境中的落叶检测任务,实现对落叶的高效率、智能化清理.     

软体机器人研究展望:结构、驱动与控制

正作为一项多学科交叉研究,软体机器人的研究不但有助于揭示自然界生物在材料、力学、形态学、运动学方面的科学问题,而且还有利于推动新的机器人样机的研发,用于完成传统刚性机器人无法实现的任务.软体机器人在设计与制造、驱动与传感、结构与材料、运动学与动力学建模与控制等核心关键科学问