摘要：为实现结构化道路下智能车最优避障轨迹的规划,设计了基于层次分析法的轨迹择优体系。首先,以三次B样条曲线为路径规划器,生成满足曲率连续且曲率最值受控的路径,并以此构造路径簇;其次,为实现主客观指标的量化表达,以平滑性和经济性为准则,以路径长度、曲率和、曲率变化率和以及偏离目标点的距离为子准则,构造AHP路径择优体系,筛选出最优的路径;然后,采用三次多项式表征速度相对时间的变化,以满足速度、加速度、加速度导数的连续;最后,参考国家标准设计测试场景,验证方法的稳定性与算法的实时性。经5000次循环仿真测试表明:算法具有较高的实时性,0.1 s内能规划出可行轨迹的概率在94%,0.16 s内则能100%规划出可行轨迹;规划的轨迹便于车辆跟踪,方法具有较高的稳定性,实车峰值横向误差小于0.21 m,峰值车速误差小于0.42 m/s,平均车速误差小于0.11 m/s,总体呈收敛的趋势。

摘要：传统设计方法主要考虑产品功能及性能,较少考虑美学等其他因素,难以满足综合要求的提升。为解决这一问题,提出多因素的融合设计方法,实现基于美学、人体工学及性能的智能化融合设计。首先确定多个因素的评价方法,包括依据美学计算原理的多个美学维度的计算公式,以及人体工学和性能的评价公式。结合粗糙层次分析法确定的各因素权重系数,得到多因素的综合评价,建立寻优模型。采用自适应边界的遗传算法求解模型,实现优化设计和创新设计两种模式的设计,最后由NX10.0的参数接口生成设计模型,实现智能化的融合设计。通过自行车整体结构的设计案例对所提方法进行检验,得到了明显优化的和具有创新性的设计方案。结果表明,该方法可快速生成满足多因素综合要求的优化方案或若干优质的创新方案,有效解决设计因素单一的问题。

摘要：白车身焊点的质量直接影响汽车的牢固度和安全性,而其检测目前以人工目测为主,其检测效率和检测质量都不足以满足汽车产业发展的要求。基于YOLOv4网络模型对白车身焊点的外观分类做深度学习并成功实现了焊点的识别与分类。并针对焊点图像的特点对YOLOv4模型进行了变体开发,提出一种针对小目标的、快速运算的YOLOv4变体。首先收集了大量白车身焊点图像,根据车身焊点外观质量要求对图像进行了分类,输入YOLOv4网络模型作为训练样本,使目标检测准确性指标mAP值达到97.29%。其次,根据焊点小目标、图像特征单一等特点去除了SPP模块和最后一个下采样层,结果发现,改进后的模型不仅可以保证较高的目标检测精度,且运算效率提高了2.9%,同时参数数量减少17.6%。研究证明,基于变体YOLOv4深度学习框架的焊点外观检测方法,不仅可以实现焊点目标的检测及缺陷分类,且参数量更少,计算速度更快,本研究有助于白车身制造智能化水平与焊接质量的提高。

摘要：为了提高电磁定位系统的定位精度、稳定性及抗干扰性,本文提出了一种基于相位差的电磁跟踪方法。在对方法的可行性进行了验证的基础上,设计实现了采用了C/S体系架构的电磁定位系统并进行了初步的测试。测试结果表明该系统的平均位置误差为0.1047±0.0006 cm,平均姿态误差为0.2687°±0.0287°。在1 kHz的激励信号下,该系统最快定位速度可达到3.5 ms。可见,基于相位差的电磁定位系统具有较高的定位速度和定位精度,同时具有较高的稳定性,经过进一步的优化可满足多种场景,包括介入式微创手术的定位需求。