基于FPGA实现塔康地面信标信号发生器设计

为满足某型飞机塔康设备检测仪器要求,对其提供稳定、可靠、多样的塔康地面信标信号.设计利用Ahera公司的EP4CE6E22C8为控制核心,以DAC813JP为DA转换器,运用DDS基本原理,通过QuartusⅡ软件编写塔康地面信标信号发生器的每个单元模块,最终完成整个设计方案.并进行了Matlab与QuartusⅡ相结合的仿真验证,同时设计连接了外部电路.相较于传统塔康地面信标信号发生器操作简单,便于升级,能够满足检测仪器的各项要求.     

国内外指针式压力表智能计量检定综述

随着自动测量技术的发展和指针式压力表的计量需求,压力表智能计量检定成为压力计量发展的趋势之一。回顾了指针式压力表计量检定发展历程,阐述了压力表智能检定系统构成及其特点,对比综述了压力表智能检定国内外研究进展,提出了压力表智能计量检定的基本架构,最后总结了压力表智能检定发展趋势和挑战。对实现指针式压力表智能、高效、低成本计量检定具有一定的借鉴意义。     

基于改进DDS算法的任意信号发生器设计

针对传统直接数字频率合成(DDS)算法存在的幅度量化误差、相位截断误差问题,提出了一种混合利用信号对称性+Sunderland构造对数据ROM进行压缩的方法,用来增大数据ROM的存储量,同时采用改进型相位抖动注入法抑制相位截断误差.硬件电路部分设计了幅频校正电路,对信号进行校正,保证了信号幅度的稳定输出.测试结果表明,信号发生器可以输出高速、稳定、低衰减、低杂散的任意波形,输出信号频率范围为1 MHz～30 MHz,幅度峰峰值为40 mV～6.7 V.     

基于改进离散差分进化算法的测试选择

针对武器装备系统的测试选择问题,首次提出利用基于混合策略的离散差分进化算法(MD-DDE)进行测试选择;重新定义种群中个体的含义,根据其容易陷入早熟的特点,引入自适应变化的缩放因子和交叉因子;采用混合差分策略,进一步平衡了算法的全局寻优和收敛速度的矛盾;在选择操作的基础上突出了优先级的特点,使结果更具应用价值;通过实例和离散粒子群算法进行了对比,验证了该算法的有效性。     

基于GDOP的四星时差定位精确度分析

针对四星时差定位系统,提出一种基于几何精度衰减因子(GDOP)的定位精确度分析方法。该方法基于四星时差定位原理推导三维定位精确度模型,理论分析时差测量误差与站址误差对该三维定位精确度模型的影响。通过仿真验证四星不同布站情况T型、Y型、方型及不规则型对定位精确度的影响,并进一步研究在不同布站情况下的基线长度、卫星轨道高度、目标高度等对定位精确度的影响。仿真结果表明,四星时差定位在Y型分布时具有最佳的定位精确度;并且定位精确度随基线长度与卫星轨道高度的增加而提高,随目标高度的增加而降低。     

基于状态切换的分布式多机器人编队控制

人工势场方法、虚拟结构方法、领导跟随方法、基于行为的方法等传统多移动机器人编队控制算法,都只在编队控制的某个环节有较好的效果,并没有有效解决编队组建、行进、变换、避障等一系列完整动作。针对上述算法的优缺点及适应情形,应用切换系统的思想,提出了基于状态切换的分布式多机器人编队控制算法。设计了基于复合信息的状态切换触发机制,通过机器人自身状态和周围环境适时触发切换机制,合理选择编队控制的一种或多种算法;提出了基于超宽带（UWB）测距的队形反馈机制,利用UWB数据结构简单、便于在微型移动机器人上进行处理的特点,实时完成对整个编队队形的保持和反馈,同时提出分布式状态估计算法,为触发机制提供机器人的运行状态。通过搭建多移动机器人平台,将所提策略应用到实际机器人编队控制中,验证了算法的有效性和稳定性。     

基于差分进化算法的测试序贯优化技术

针对大型复杂系统的测试序贯设计问题,首次提出利用基于混合策略的差分进化算法（DE）进行测试序贯设计。通过LOV规则,将实数空间映射到表示测试序贯的离散空间;利用随机变异策略和小概率扰动操作,进一步加强了算法的探索能力和开发能力;局部动态搜索算子的引入,提高了算法的收敛速度。通过实例和其他常用算法进行了对比,验证了该算法的有效性。     

鲁棒的非线性优化的立体视觉－惯导SLAM

针对基于视觉特征的同时定位与地图构建（SLAM）系统在图像模糊、运动过快和特征缺失的情况下存在鲁棒性和精度急剧下降甚至失败的问题,提出了紧耦合的非线性优化的立体视觉-惯导SLAM系统．首先,以关键帧的位姿作为约束,采用分而治之的策略估计惯性测量单元（IMU）的偏差．在前端,针对ORB-SLAM2在跟踪过程中由于运动过快导致匀速运动模型失效的问题,通过预积分上一帧到当前帧的IMU数据,预测当前帧的初始位姿,并在位姿优化中加入了IMU预积分约束．然后,在后端优化中,在滑动窗口内优化关键帧的位姿、地图点和IMU预积分,并更新IMU的偏差．最后,通过EuRoC数据集验证该系统的性能,对比ORB-SLAM2系统、VINS-Mono系统和OKVIS系统,该系统的精度分别提高了1.14倍、1.48倍和4.59倍;相比前沿的SLAM系统,该系统在快速运动、图像模糊和特征缺失条件下的鲁棒性也得到了提高．     

迈进高维连续空间:深度强化学习在机器人领域中的应用

首先,对深度强化学习(DRL)的兴起与发展进行了回顾.然后,将用于高维连续动作空间的深度强化学习算法分为基于值函数近似的算法、基于策略近似的算法以及基于其他结构的算法3类,详细讲解了深度强化学习中的最新代表性算法及其特点,并重点阐述了其思路、优势及不足.最后,结合深度强化学习算法的发展方向,对使用深度强化学习方法解决机器人学问题的未来发展趋势进行了展望.