摘要：针对单速比电动汽车坡道起步时容易发生溜坡的问题,提出了基于路面坡度识别的坡道起步控制策略。构建了单速比电动汽车坡道起步运动线性回归模型,设计了基于多新息遗忘梯度的路面坡度识别算法,在满足驾驶员驾驶意图的前提下,制定了坡道起步防溜坡控制策略。在Matlab/Simulink软件下建立了系统仿真模型,结果表明所研究的坡道起步控制策略能较准确地识别路面坡度,有效抑制了坡道起步溜坡现象,改善了车辆起步特性。

摘要：基于深度学习的闭环检测方法在复杂光照下能取得较好的检测效果,但存在提取场景特征维度高、难以满足闭环检测实时性的问题。为此,基于精简深度卷积神经网络,提出一种闭环检测方法。结合级联修正线性单元、批规范化和深度残差模块完成网络模型的设计,并利用大型场景识别的数据集(Places365-Standard)完成网络模型的训练,用训练好的网络模型提取场景特征,通过计算场景特征的相似性得到闭环区域。测试结果表明,与基于位置卷积神经网络与自编码的闭环检测方法相比,该方法在保证较高准确率的同时提高了检测速度。

摘要：设计并制造了一套多个工位协同工作、工件快速高效取放的一个实例,综合考虑和探索了以下几个方面:多个工位的协同,定位精度,运行的速度,模块化设计,可互换性设计及计算机辅助仿真设计,为智能制造中的多工位协作需求提供了技术支持和解决方案。

摘要：多机器人协同作业广泛用于多机协同搬运、冲压、焊接等领域,具有更高的精度,更灵活的工况执行能力。协同系统的插补算法与力/位控制性能共同决定了协同作业的轨迹平滑性和稳定性,也直接影响着系统的承载性能与作业质量。作者针对双机器人协同搬运过程中的力/位控制技术展开了研究。首先,分析了双机器人协同搬运工况的夹持特征和受力状态,建立了协同搬运系统的理想数学模型。接着,依据主从机器人2阶阻尼系统的数学模型,采用双机器人主从协同控制模式,分别设计力/位控制策略;提出主机器人采用基于理想位置的优化模糊自整定位置控制,从机器人采用基于主机器人位置偏差的优化细菌觅食算法的阻尼控制,进行控制模块的设计工作。然后,在MATLAB中编译了细菌觅食算法主体及其代价函数,在Simulink中搭建控制系统。最后,对整个控制器模块进行联合仿真,仿真结果如下:主机器人的最大位置误差缩小到1.53 mm,从机器人的最大力误差缩小到0.038 N。从机器人追踪主机器人的位置误差控制在0.18 mm内,且从机器人可在0.2 s内快速修正主从速度偏差。仿真结果表明:相比常规PD控制,本文所述控制方法可减少约40%的最大追踪误差,且有效消除了力追踪过程中的过零振荡现象,提高了系统的实时追踪动态性能。

摘要：针对挖掘机驾驶培训困难的窘境,开发了一套基于虚拟交互的虚拟挖掘机操作系统。该系统以Stewart平台为运动平台,结合VR技术,通过人操作一对手柄控制虚拟挖掘机的行走和工作,以模拟真实挖掘机。建立了Stewart平台的运动学反解模型并应用洗出算法,运动平台可以良好地模拟挖掘机前进、后退、转向、倾斜等状态。邀请了多位志愿者操作本系统并模拟现实挖掘任务,工作效率可提升约26%,表明该系统可为挖掘机驾驶训练问题提供新思路。

摘要：针对能量回馈电网型(能馈型)直流负载多样化的负载测试需求,提出基于交错并联Boost的模拟负载单元模块化设计方案,设计电流均值跟踪和电流峰值保护两者兼备的信号调理电路,研究基于逐个周期电流峰值限制的负载模拟双环控制策略。通过建立单个模拟负载模块电流控制的小信号模型,得到模拟负载模块输入电流的传递函数,并基于小信号模型设计PI调节器,改善模拟负载模块的性能。仿真与实验结果表明:模拟负载模块在启动后12 ms即可进入稳定工作状态,并且能在0.21μs内完成过流保护动作,恒流模式下负载模拟相对误差绝对值为3.602%。与目前市场产品相比,该方案动态响应快,精度高,更加稳定安全。

摘要：非物质文化遗产的主要表现手段是声音、形象和技艺,利用数字化技术面向大众进行展示和推广的方式有限。将体感识别技术应用于非物质文化遗产数字化交互过程,可以丰富非物质文化遗产的表现形式,提高用户参与积极性。提出了一种综合应用Kinect和Leap Motion体感识别设备实现非物质文化遗产数字化展示与交互的技术,设计了识别准确率较高的Kinect和Leap Motion动作识别算法。与以往基于传统鼠标、键盘以及触摸屏的交互技术相比,这种动作感应和手势识别的交互技术更为自然和方便。

摘要：Internet己成为现代社会重要的基础信息设施之一，是信息流通的重要渠道，并向家庭领域不断渗透，而8位单片机以其高价价比仍是家电控制器的首选。本文介绍了一种以STC89C58单片机为主控制器的高性价比的远程网络家电控制系统的设计方法。

摘要：针对车牌中汉字识别率低和识别速度慢问题,提出一种基于深度学习的车牌识别网络LeNet-5-L,该网络把车牌识别分为两个阶段,运用OpenCV库函数对车牌图像预处理,结合垂直投影分割方法将车牌分割为7个独立字符图像,降低了图像特征提取难度,从而提高车牌中各个的字符识别率和整个车牌识别速度;运用卷积神经网络解决车牌字符识别问题,基于LeNet-L设计一种车牌字符识别网络LeNet-5-L,有效提高车牌中首字符汉字识别率;实验结果表明,该网络对车牌中各个字符的识别准确率均高于99.97%,单个车牌识别时间仅需0.83 ms,该方法有效的提高车牌识别的正确率和识别速度。