摘要：针对大跨度双层甲板缩尺模型设计并开展了单轴压缩试验,分析了缩尺模型的极限承载力以及结构的崩溃特性.计及初始缺陷的影响建立数值仿真模型,将试验结果与仿真结果进行对比,分析了双层甲板模型在轴压载荷作用下的稳定性及极限承载特性.结果表明:文中研究的双层甲板缩尺模型的失效模式主要是板格屈曲变形,仿真计算得到的模型应力分布情况与试验测量的结果也基本吻合.

摘要：为实现无人机自主降落,设计了一种由多组不同半径比的同心圆组成的视觉标识。针对同心圆成像后的形变情况,结合圆心、消隐点、内外圆交点构成的调和比约束,设计了一种递归的圆心求解方法,以获取圆心亚像素投影点。相较于Hough圆检测算法以及传统方法,该方法可以更鲁棒、精准地提取圆心投影点亚像素坐标。完成圆心提取后,基于交比不变性建立图像坐标与平台坐标一致性匹配关系解算出初始位姿,并通过二次曲线重投影模型设计非线性优化函数求得优化位姿。针对降落过程中图像运动模糊的情况,提出一种基于运动连续性的测量关键帧选取模型来排除运动模糊图像对控制决策的影响。进一步设计一种多模式切换控制结构实现了对降落平台的运动预测、无人机样条轨迹生成与更新,从而完成无人机自主降落。在1 500次的测量实验中,该测量方法的平均重映射误差可达到0.578 pixel,方差为0.009 6。在现场降落实验中,无人机在2.5 m高度时对降落台的定位误差小于3.5 cm,表明本文方法具有较高的视觉测量精度且更加稳定,能够实现对运动降落目标的稳定接近与跟踪并完成降落。

摘要：文中将结合深度学习的三维重建技术引入合拢管测量中,实现法兰空间姿态的复现,利用深度学习网络能自动提取输入图像高全局特征的优势,改善多视角立体匹配的稳定性和精度,获得完整、稠密的三维重建点云.利用基于Open3D设计算法处理重建结果,获取船舶合拢管法兰之间的相对位姿.对两种不同位姿的合拢管法兰测量,测量的平均误差均在0.5 mm以内,测量时间均在3 min以内,其测量精度和效率可满足合拢管的制造需求.

摘要：针对典型水上交通场景交汇水域,研究了1种数据驱动的船舶轨迹预测与航行意图识别方法。设计CNN+LSTM组合神经网络,通过学习交汇水域船舶的历史轨迹,以CNN+LSTM网络为编码器提取其通航环境及船舶航行时空特征,LSTM与全连接层为解码器同步输出未来时段内船舶轨迹序列和航路选择,从而形成船舶轨迹与航行意图识别模型。同时,引入Dropout网络结构描述该模型的预测不确定性,采用随机关闭CNN+LSTM核心网络部分神经单元的方式,以相同轨迹序列作为输入获取多组相近的预测结果,根据其统计均值与方差对船舶轨迹预测的不确定性进行量化。以美国沿海某交汇水域公开AIS数据为对象开展实验,创建了该交汇水域船舶航行轨迹数据集,以输入时长60 min,采样频率3 min作为输入条件,Dropout值取0.5,实验结果表明:所提方法对未来60 min时段内的轨迹预测误差为3.946 n mile,航行意图识别准确率达87%,不确定性估计覆盖率达85.7%。与LSTM预测方法相比,当船舶操纵性发生改变时,所提CNN+LSTM模型的轨迹预测误差降低了31.6%,而且兼具船舶航行意图识别及预测不确定性估计能力,有利于智能航行与海事监管技术发展。