摘要：研究移动机器人网络运动协调的仿真框架与分散控制律的设计。建立了传感范围有限、差速驱动移动机器人网络的数学模型:单个机器人的运动由运动学与动力学方程描述,且驱动力矩和速度有限;有向图和proximity图分别描述机器人间的通信网络和互感网络。设计了基于MATLAB/SIMULINK的运动协调仿真框架,并在此基础上设计了带速度约束的平行运动与自组织编队生成协调控制律。仿真结果证明控制器设计的有效性和仿真框架对不同分散控制律的适用性。

摘要：面向全向移动机械臂的视觉控制任务,研究了一种基于混合视觉伺服的控制律设计方法,并采用蝙蝠算法(Bat Algorithm,BA)实现了运动轨迹优化。首先,为实现全向底盘和六自由度机械臂的同时控制,建立了全向移动机械臂整体的速度级运动学模型;进而,根据眼在手中的相机配置方案,分别推导了位置误差和图像误差的雅克比矩阵,在联合了机器人运动学模型的基础上,设计了全向移动机械臂的混合视觉伺服控制律;进一步设计了基于蝙蝠算法的控制器参数优化方法,使机械臂末端能够沿着尽可能短的路线到达期望位置;最终,通过稳定性证明和系统仿真实验说明了该算法的有效性。

摘要：设计一种小型四旋翼无人机群起飞后自主形成正多边形编队的分布式运动规划方法.在四旋翼无人机的串级控制系统框架下,分布式编队控制器以简化agent模型为基础,同时采用平均一致性算法和有领导一致性算法,共同产生各无人机位置与偏航角的期望轨迹.讨论了达成最终协调目标队形的拓扑条件,并给出一种基于有向Hamilton环的通信拓扑设计方案.最后通过数值仿真验证了所提出算法的有效性.

摘要：针对单一移动机器人远程监控系统精度差和复杂度低的问题,提出基于移动机器人网络的嵌入式Web系统设计方案。应用ZigBee技术构建移动机器人网络,搭建以Cortex-M3为处理器的嵌入式Web服务器硬件平台。软件设计基于μc/OS-Ⅱ操作系统,移植LwIP协议栈,通过应用层程序实现移动机器人网络的监控。实验结果表明,该设计可初步完成对移动机器人网络的监控。

摘要：设计了一种借助历史数据自主学习的电梯群控调度算法,算法利用了增强学习技术在历史经验中的不断试错而获得最佳策略.以马尔可夫决策过程作为电梯派送问题的数学模型,进而将一种内在递归神经网络与增强学习中的Q-learning方法结合,所得电梯群控调度算法通过迭代得到近似的最佳状态行为值函数及对应的决策结果,实现优化派梯.通过仿真实验,在不同的交通流设置下,将所提出的派梯算法与其他几种传统派梯方法进行比较,仿真测试结果验证了该算法的有效性和优越性.

摘要：针对目前基于深度学习的目标检测模型均依赖于高性能GPU,难以在无GPU笔记本或者移动设备上运行的现状,受YOLO-Lite设计思路的启发,对现有的轻量级目标检测模型YOLOv3-tiny进行删减,去除该网络模型中对运行速度影响较大,且精度影响较低的因素,提出一种可以在CPU设备上实时运行的目标检测模型YOLO-mini。精简后的网络相较于原有模型,在精度仅有少量损失的情况下,检测速度提高5倍,在CPU上运行可以达到66.05%的检测精度,8.1帧每秒的检测速度,在当今深度学习均依赖于高性能GPU的情况下,提供一种新的可在CPU上实时运行目标检测网络。

摘要：混合储能变换器可以帮助提升光伏发电系统的动态响应能力和稳定性,但传统线性控制器在执行双向DC-DC变换器控制时表现不足。针对直流母线电压易受变换器非线性噪声、光伏输出功率和负载扰动影响的问题,设计了一种基于双环LADRC的混合储能变换器控制策略。通过分析混合储能变换器主电路的工作原理,建立了主电路的扰动模型。基于扰动模型完成了对电压-电流双环LADRC控制器的设计,并结合功率分频实现了混合储能变换器的整体控制策略。仿真结果表明,与传统比例积分控制器相比,基于双环LADRC的混合储能变换器控制策略使母线电压幅值波动减小了39.4%,调节时间减少了25.0%,在功率响应和直流母线电压支撑方面表现出优越的动态响应和抗扰能力。

摘要：随着城市高层商用大楼和住宅小区的增加,作为垂直运输重要工具的电梯得到了越来越广泛的应用。电梯产品主要用于载人,其可靠性直接关系到人的生命。因此要求可靠运行性能高,功能完备,尤其故障的诊断和维修服务能力更要达到较高水平。本文设计了一种基于Browse/Server结构的电梯维修服务管理系统,陈述了基于B/S的系统结构及优点,并研究了运用神经网络进行电梯故障诊断的原理以及实现技术,最后陈述了实际系统的实现。

摘要：针对基于深度强化学习的四旋翼无人机视觉避障系统,模型训练速度慢、计算量大和响应不及时的问题,设计了一种轻量化且模型训练速度快的系统。该系统首先以深度图像和无人机自身状态信息作为输入,然后使用一种基于GRU结构的A3C算法(GRU-A3C),输出连续动作空间并结合课程学习的方法进行训练加速。最后,以A3C为基线进行消融实验。实验结果为:在训练1000轮次时,利用课程学习方法训练的GRU-A3C算法成功率为0.28,A3C算法成功率为0.2;在训练5000轮次时,利用课程学习方法训练的GRU-A3C算法成功率为0.72,A3C算法成功率0.62。数据表明,该系统可以有效加快模型收敛速度,缩短训练时间并提高训练效果。

摘要：针对目前抓取检测任务中存在的预测位置和角度不准确、小物体适应性和检测实时性较差的问题,提出一种实时抓取检测算法。该算法以YOLOv7-tiny为基本框架,在网络特征融合阶段嵌入CA注意力机制,增强对小物体的适应性,并添加深度可分离卷积块进一步提升检测速度;引入KLD损失函数思想改进预测框回归损失函数,提高预测框位置和角度的准确性。该方法在Cornell数据集上的图像分割准确率为98.2%,对象分割准确率为97.3%,抓取检测速度达到62.5 FPS,相较其他经典方法有明显的优势,能够满足实时高精度抓取检测任务的需求。