排序方式: 共有16条查询结果,搜索用时 15 毫秒
1.
基于深度神经网络模型,提出了一种适用于多指灵巧手的抓取手势优化方法。首先,在仿真环境下构建了一个抓取数据集,并在此基础上训练了一个卷积神经网络,依据目标物体单目视觉信息和多指灵巧手抓取位形来预测抓取质量函数,由此可以将多指灵巧手的抓取规划问题转化为使抓取质量最大化的优化问题,进一步,基于深度神经网络中的反向传播和梯度上升算法实现多指灵巧手抓取手势的迭代与优化。在仿真环境中,比较该网络和仿真平台对同一抓取位形的抓取质量评估结果,再利用所提出的优化方法对随机搜索到的初始手势进行优化,比较优化前后手势的力封闭指标。最后,在实际机器人平台上验证本文方法的优化效果,结果表明,本文方法对未知物体的抓取成功率在80%以上,对于失败的抓取,优化后成功的比例达到90%。 相似文献
2.
基于深度特征的目标检测方法Faster R-CNN在火焰检测任务上存在检测效率低的问题,因此提出了基于颜色引导的抛锚策略。该策略设计火焰颜色模型来限制锚的生成,即利用火焰颜色约束锚的生成区域,从而减少了初始锚的数量,提升了计算效率。为了进一步提高网络的计算效率,将区域生成网络中的卷积层替换成掩膜卷积。为了验证所提方法的检测效果,采用BoWFire和Corsician数据集进行验证。实验结果表明,该方法实际检测速度相较于原Faster R-CNN提高了10.1%,BoWFire上该方法的火焰检测F值为0.87,Corsician上该方法的准确度可达99.33%。所提方法可以提高火焰检测的效率,并能够准确检测图像中的火焰。 相似文献
3.
陀螺稳定平台扰动的自抗扰及其滤波控制 总被引:2,自引:0,他引:2
分析了影响陀螺稳定平台隔离控制精度的主要因素,包括被控系统模型中的未建模部分、状态的随机扰动以及输出信号的测量噪声等。研究了综合解决各方面影响因素的控制方案以进一步提高陀螺稳定平台隔离精度。针对上述影响因素,设计一个两步控制策略。第一步,利用自抗扰对系统中未建模部分进行观测及其前向补偿,将自抗扰控制中的反馈控制设计为PID控制,以实现抗平台扰动的调节控制;第二步,利用Kalman滤波器对系统中的状态扰动及测量噪声进行滤波消除。详细描述了提出的控制策略并对其性能进行了系统仿真实验及参数优化。结果表明,该方案在幅值为3°、频率为1/6Hz的载体扰动下能达到4.61%的隔离度,与非线性摩擦力建模辨识及其前向补偿策略控制实际陀螺稳定平台达到的隔离度的最好值9.39%相比,文中提出的控制隔离性能提高了50.9%,具有更高的实用价值。 相似文献
4.
在绳索牵引并联机器人(CDPR)的运动过程中,关键的问题就是绳索必须保持张紧,且多根绳索之间需要相互协调.而且,模型参数的不确定性也会在一定程度上影响其运动控制,必须加以考虑.为了解决这些挑战,将绳长空间自适应同步与工作空间自适应补偿结合起来,提出了一种新型的双空间自适应同步控制器.通过绳长同步误差来表示绳索之间的协调运动,并通过双空间自适应的方法来实时补偿不同空间中的模型参数不确定性.随后,严格证明了双空间自适应同步控制系统的闭环稳定性.将实验结果与现有的增广PD控制器进行对比发现,提出的双空间自适应同步控制器可以显著地提高绳长的跟踪精度、改善绳索之间的协调关系,从而最终提高动平台的控制精度.同时,控制器中的自适应作用可以有效地补偿末端动平台的质量变化带来的影响. 相似文献
5.
6.
7.
8.
在绳索牵引并联机器人中,实时测量动平台位姿是实现高精度轨迹跟踪控制的关键环节。为此,设计一种基于高性能工业相机的高速视觉测量系统,实现绳索牵引并联机器人的运动学视觉伺服控制。设计一种基于感兴趣区域的位姿跟踪算法,并且加入Auto-Regressive(AR)模型对位姿进行实时预测,避免了绳索牵引并联机器人复杂的正运动学求解。以此为基础,构建了工作空间的运动学视觉伺服控制方案,在实际6自由度绳索牵引并联机器人上进行了轨迹跟踪控制试验,试验结果表明基于高速视觉测量的工作空间控制方案明显优于基于编码器反馈的关节空间控制。 相似文献
9.
结合机器视觉和运动规划方法,对动态环境中移动物体的平滑抓取进行了研究。设计了一种运动物体跟踪算法,能够实现无障碍环境下移动物体的平滑抓取;针对环境中存在动态障碍物的情况,设计了一种基于排斥矢量的动态避障算法,与运动物体跟踪算法相结合,实现了机器人先避障后平滑抓取;基于机器人操作系统(Robot operating system,ROS)框架,在5自由度的KUKA Youbot机械臂平台上实现了无障碍环境下对传送带上物体的平滑抓取,以及动态障碍物环境中的平滑抓取,试验结果验证了所设计算法的优越性。 相似文献
10.
借鉴人类抓取物体的特点,提出一种三级串联卷积神经网络用于物体抓取框的检测,实现了对未知物体的高准确度抓取.在所提出的三级串联卷积神经网络中:第1级用于物体的初步定位,为下一级卷积神经网络搜索抓取框确定位置;第2级用于获取预选抓取框,以较小的网络获取较少的特征,从而快速地找出物体的可用抓取框,剔除不可用的抓取框;第3级用于重新评判预选抓取框,以较大的网络获取较多的特征,从而准确地评估每个预选抓取框,获取最佳抓取框.测试结果表明,与单一卷积神经网络相比,三级网络获得抓取框的正确率提高了6.1%,最终在实际Youbot机器人上实现了高准确度的抓取操作. 相似文献