摘要：为了改善车道跟随算法由于人工进行的复杂模型设计而导致的不利于实现机器的自学习与自设计,并且在一些极端行驶工况下易导致性能下降的问题,将深度学习的注意力机制与循环神经网络相结合提出一种基于深度时空注意力的车道跟随模型,在自制的真实车道跟随数据集上进行测试,所得误差为1.43%。为了验证该模型在黑夜、阴影、无车道线等困难场景下的跟随效果,结合一种时空信息与深层信息融合的车道线检测模型在仿真车道跟随数据集上进行测试,所得误差为2.27%,迁移学习对比测试结果表明,该模型能够在困难场景下有效地实现无人驾驶车辆的车道跟随。

摘要：高精度定位是移动机器人执行上层任务的基础,也是直接影响其他任务执行效果的首要问题。可定位性是对定位精度好坏的度量,对可定位性的预估可以使机器人提早避开难以准确定位的区域提高其他任务的成功率。以常用的地图匹配和航迹推算融合实现定位的方法为研究对象,分析了其工作机理,针对定位算法中航迹推算与地图匹配分别设计不同的神经网络模块,形成一种由卷积神经网络(convolutional neural network,CNN)、长短期记忆神经网络(long short-term memory,LSTM)和多层全连接神经网络(multi-layer full connection,MLFC)组成的多模块深度神经网络模型(multi-module deep neural network model,MMN)。所提方法以定位熵表征可定位性,以CNN网络预估地图匹配定位熵,以LSTM网络估计航迹推算定位熵,以MLFC估计前两者融合后的定位熵,从而实现对移动机器人可定位性的估计。仿真和实验结果表明:该模型能够准确估计给定地图上机器人的可定位性,预测熵与实测熵相比误差小于5%。

摘要：定位是移动机器人领域的关键技术,也是实现自主移动等各种任务的基础。可定位性是对给定位置实现准确定位能力的度量,是进一步在上层任务中避免定位失败的重要指标。基于提高机器人定位准确率的目的,采用信息融合理论与卡尔曼滤波理论,建立数学模型对基于激光雷达的地图匹配定位方法进行定位误差分析,明确了可定位性的主要影响因数。采用卷积神经网络设计可定位性熵估计器估计机器人定位熵,通过室内外移动机器人可定位性试验,得出本文方法在给定地图中对机器人定位熵估计值与实测定位熵值相比误差约在6%左右,能够对机器人可定位性进行准确估计。

摘要：针对机械臂在非结构化环境下对未知物体生成稳定抓取位姿困难的问题,文章提出一种基于点云骨架特征的未知物体六自由度抓取方法。首先,通过深度相机获取包含物体的场景单视角点云,并在物体表面随机采样得到初始采样点,设计考虑L1中值骨架提取的迭代移动采样算法,保证抓取点最终均匀排布在物体的骨架上;然后,利用骨架点的分布信息和骨架点周围点云的几何信息生成候选抓取位姿,根据抓取器与物体之间的位置关系,使用启发式评价函数评估抓取位姿,从而保证位姿的最优化采样;最后,对不同形状的物体进行仿真实验和实际抓取试验。测试结果表明,文章所提方法可以对常见物体生成稳定的抓取位姿,并能有效拓展到更多形状复杂的未知物体。

摘要：文章通过对电机端盖冲压成型工艺的分析,确定该端盖的冲压工艺的方案。并进行压力工位的设计,选择合适的排样方案,画出了相应的排样图,最后设计出模具的结构图。通过端盖设计的整体思路,为模具设计者提供了一个设计的思路及方向。