复杂环境下基于推抓协同操作的目标物体抓取

针对现有抓取技术在复杂环境下难以进行有效的目标导向性抓取的问题, 本文提出了一种基于深度强化学习的推动和抓取协同操作的方法. 相对于以往的抓取方法, 本方法使用深度学习来处理Intel-D435i相机所获得的RGB-D图像数据, 同时又在视觉网络中引入了注意力机制, 用来提高系统对工作区域内目标物体的敏感性. 其次,使用深度Q网络来学习UR5机械臂与环境之间的交互过程, 提出了密集奖励策略来评判推动或抓取操作的好坏. 随着训练次数的不断增加, UR5机械臂在训练过程中不断地优化两种操作之间的协同策略, 从而更高效的进行决策.最后, 在V-rep仿真平台上设计了仿真场景, 并进行测试, 平均抓取成功率达到92.5%. 通过与其他几种方法进行对比, 证明该方法可以在复杂环境下较好的完成目标物体的抓取任务.     

钢丝滚道球轴承的接触应力分析研究

以某型三轴稳定平台中的钢丝滚道球轴承为例,运用赫兹理论进行接触应力求解,并利用对称性在Ansys环境下建立接触模型仿真分析,将结果对比研究,得出接触体发生塑性变形时,利用Ansys求解相对Hertz理论结果更加准确。有限元分析结果显示接触体的最大接触应力发生于钢丝滚道的表面,有力地阐明了实际工程中轴承在钢丝滚道表面易形成点蚀破坏的机理,为进一步开展钢丝滚道的点蚀及磨损的实验研究提供了理论依据。