基于变电站巡检机器人数字仪表识别算法

当前巡检机器人使用传统的图像识别算法,传统图像识别算法需要进行字符切割以及大量人工建模操作,受环境变化影响大。文章采用深度学习CRNN模型,对数字区域进行整行识别,简化了人工建模步骤,识别正确率高,数字表计识别率达到99%以上。针对部分场景识别错误率高的问题,结合attention机制,对模型进行扩展,实验结果表明,该扩展模型获得了良好的提升效果。     

一种主要基于多超声波传感器定位的新方法

提出对室内空间分区的方法,解决了移动机器人在室内环境下的定位。在室内有随机障碍物的情况下,根据空间区域特点剔除坏值,采用串联和并联推断的方式,对机器人进行定位。该方法融合了机器人内部传感器电子罗盘、里程计和外部4个超声波测距传感器的同步和异步信息,具有很高的抗干扰特性和较高的定位精度。     

基于ANOVA和BP神经网络的最优肌电信号测量位置选择

基于肌电信号的手部动作识别中,肌电信号测量位置的选择直接关系到动作识别的准确率.本文以使用最少的肌电传感器和获得较高的动作识别率为目标,提出一种基于ANOVA(方差分析)和BP神经网络的肌电信号测量位置优选方法.使用4个肌电传感器采集受试者做出指定动作时的肌电信号,提取肌电信号的时域特征,并按测量位置组合构成15个不同的样本进行BP神经网络的训练和测试.采用单因素ANOVA分析测量位置对动作识别结果影响的显著性,采用Tukey HSD将测量位置进行归类,并从动作识别率最高的子集中选择测量位置最少但识别准确率最高的测量位置组合作为最优的肌电信号测量位置.实验结果表明,测量位置对动作识别的结果具有显著的影响,随着测量位置数的增加,动作识别准确率呈上升趋势,最优的测量位置组合为P1+P3+P4,其动作识别准确率为94.6%.     

机器人触觉传感器发展概述

触觉是机器人感知外部环境的重要信息来源。近10年来，随着触觉感知技术和交互技术的广泛应用，机器人触觉传感技术得到了机器人研发人员的高度关注。首先简要回顾了近50年来机器人触觉传感器技术研究的发展情况，特别是我国在机器人触觉传感器技术领域的研究历程；然后，对现有机器人触觉传感技术进行了分类总结；接着，对当前触觉传感技术研发的前沿即电子触觉皮肤的研究做了分析和阐述，指出了机器人触觉传感技术研发亟待解决的关键问题，并对未来的发展趋势提出了一些见解。     

一种带有重心调节机构的作业型飞行机器人建模与控制

针对作业型飞行机器人完成抓取、搬运等任务时所产生的重心偏移问题,设计了一种带有重心调节机构的作业型飞行机器人,并提出了一种重心调节控制策略.该方法通过对作业装置中的机械臂进行运动学推导,动态计算出机械臂运动时复合系统重心位置的改变量,利用力矩平衡方程计算得到调节机构所需转动的角度,从而实现对复合系统重心的调节.为验证所提出控制策略的有效性,在Matlab仿真环境中,分别研究了有无重心调节控制时机械臂运动对复合系统重心轨迹和定点悬停位姿的影响.通过户外实物实验测试了飞行机器人搭载负载情况下,调节机构在定点悬停作业时的稳定效果.实验结果表明,在所述控制策略下,重心调节机构能够在飞行机器人作业过程中实时调节复合系统重心的偏移量,验证了控制策略的有效性.     

一种新的基于临场感的力觉显示结构

一种新的基于临场感的力觉显示结构＊宋爱国黄惟一（东南大学仪器科学与工程系南京２１００１８）０引言临场感（ｔｅｌｅｐｒｅｓｅｎｃｅ）是指一方面通过多传感器系统将远地环境的各种信息（视觉的、听觉的、力觉的）反馈到本地操作者周围，生成虚拟的远地环境，另一方...     

与节能

一提到能量,往往会想到其数量为多少J,似乎能量只有量的一面,其实不然.1kg的水从20℃升高到30℃与从80℃升高到90℃所吸收的热量是相同的.可是,它们分别是在低温段(20～30℃)和高温段(80～90℃)吸收的,因此,这两部分数量相等的热量质量并不同.     

基于运动想象脑电的机器人连续控制系统研究

脑-机接口(BCI)旨在提供人脑和外部设备之间沟通的桥梁。目前,基于运动想象脑电信号的机器人控制系统主要是离散控制,而连续控制对于用户和环境的自然交流至关重要。基于此,设计了一种基于运动想象脑电的机器人二维连续控制系统,受试者进行运动想象时,发送给机器人的控制信号同时包含水平方向和垂直方向的控制信号,可以控制机器人在二维平面内运动。系统采用便携式脑电设备采集受试者运动想象时的脑电信号,经特征提取和转化后用来控制虚拟光标和机器人。实验中,首先通过一维和二维的虚拟光标控制任务来提高受试者控制机器人的能力;然后将光标控制和机械臂控制相结合,使得机械臂运动与光标移动同步;最终受试者通过运动想象脑电控制机械臂完成连续抓取任务。6名受试者在该系统上进行了多次实验,二维连续控制机械臂对4个目标的抓取成功率达到85%。     

基于振动加速度信息的触觉纹理分类方法研究

当手持刚性工具在材料表面滑动时,用户可以通过工具的振动来感受材料表面的纹理特征。这些振动加速度数据包含了丰富的纹理类别信息,为纹理的分类提供了基础。利用触觉进行纹理分类对于力触觉人机交互、机器人精细化操作等应用具有重要的意义。目前,手工设计与纹理相关的特征以及借助卷积神经网络进行简单的特征提取等方法已经被应用于触觉纹理分类。然而,这些方法未能关注时间尺度的选择和触觉序列数据间的时间依赖性,还存在触觉数据特征提取不充分和分类精度不佳等问题。为了解决上述问题,本文提出一种由多尺度卷积网络和双向长短时记忆网络相结合的融合模型,以便同时捕获触觉信号多尺度的几何局部空间特征和时间依赖特征。所提出的模型从公开的触觉数据集中学习材料表面纹理的触觉特征,并在公开的纹理振动加速度数据库上进行训练。实验结果表明,本文提出的模型可以稳健且高效地实现最高92.1%的纹理分类精度。