【摘 要】
:
随着国家对海洋的开发,水下机器人的需求越来越多。在众多水下机器人中,水下仿生蛇形机器人由于其独特的结构和运动方式可以应用在很多场合,诸如军事侦察、水质监测、水下救援、海底设备的巡视和维护等任务。因此对水下蛇形机器人的研究具有重要意义。但是,传统的水下蛇形机器人运动速度较慢,且狭小空间的通过能力较差。因此,本文设计了一种带有推进器的水下蛇形机器人,可以提高传统水下蛇形机器人的运动速度和狭小空间的通过
论文部分内容阅读
随着国家对海洋的开发,水下机器人的需求越来越多。在众多水下机器人中,水下仿生蛇形机器人由于其独特的结构和运动方式可以应用在很多场合,诸如军事侦察、水质监测、水下救援、海底设备的巡视和维护等任务。因此对水下蛇形机器人的研究具有重要意义。但是,传统的水下蛇形机器人运动速度较慢,且狭小空间的通过能力较差。因此,本文设计了一种带有推进器的水下蛇形机器人,可以提高传统水下蛇形机器人的运动速度和狭小空间的通过能力,并对其高效运动模式和推进器的安装位置展开了研究。首先,介绍了一款由课题组自行设计开发的带有推进器的水下蛇形机器人样机平台,并对其外形结构、软硬件系统和外部测量装置进行了详细的介绍。本文采用迭代牛顿-欧拉法对水下蛇形机器人进行建模。其次,本文针对尾部带有推进器的水下蛇形机器人,研究了其在蜿蜒运动与推进器推进结合时的运动模式。通过NSGA-Ⅱ多目标优化算法,进行优化仿真,得到速度和功率的最优曲线图,并获得相应的参数解集。根据仿真结果,首次提出了一种尾部带有推进器的水下蛇形机器人高效运动模式:低速阶段,采用蜿蜒运动模式;中速阶段,采用蜿蜒运动与推进器推进相结合的混合运动模式;高速阶段,采用推进器推进的运动模式。这种运动模式既能提高蛇形机器人的运行速度又能提高其在中高速段的运动效率。最终,通过水池实验,验证了所提出的运动模式。最后,本文针对推进器的安装位置对水下蛇形机器人运动效率的影响展开研究。文章分别分析了在蜿蜒步态和仿鳗步态两种典型步态下,推进器安装在头部和尾部时对蛇形机器人运动效率的影响。仿真结果表明,蜿蜒步态下,推进器不同安装位置对运动效率的影响较小;仿鳗步态下,推进器安装在头部时的运动效率高于推进器安装在尾部。此外,还对比分析了推进器安装在尾部时,蜿蜒步态和仿鳗步态的运动效率,发现仿鳗步态的运动效率高于蜿蜒步态。最终,通过水池实验,验证了仿真结果。
其他文献
党的十八大以来,以习近平同志为核心的党中央高度重视教育工作。党中央、国务院不仅出台了一系列深化教育改革、推动教育发展的方针政策,习总书记也发表了一系列关于教育的重要论述,为新时期教育的发展指引了前进方向,提供了根本遵循。2014年5月30日,习总书记参加北京市海淀区民族小学庆祝"六一"国际儿童节活动时发表重要讲话,他要求:"学校要把德育放在更加重要的位置,全面加强校风、师德建设,
随着机器人技术的普及和发展,机器人的应用场景也在不断扩大。为了适应复杂多变的环境并能自主完成任务,机器人必须具备同步定位与地图构建(SLAM)能力。光束平差法(BA)是SLAM技术中最有效的一种解决方案,但是其庞大计算量带来的高延迟和高功耗的问题制约了其在嵌入式系统中的应用。为解决这一问题,本文在光束平差法的硬件设计上做了先行的探索。本文提出并实现了光束平差法的FPGA加速器。针对光束平差算法中计
风格迁移是计算机视觉中极具创造性的一个领域,随着深度学习重回大众视野,大量的神经网络结构被用于这一领域的探索。虽然优秀的相关算法不断面世,但是距离高效率的,有鲁棒性和泛化性的模型仍然有巨大的提升空间。一是在局部风格迁移过程中,如何平衡图像的语义内容信息和风格特征信息,高效率地获得迁移结果;二是如何在不同层级的特征空间整合有效信息,处理多域的风格迁移问题。针对这两点,本文基于神经网络提出两种改进的风
随着数据采集技术的发展,获取数据的方式越来越多样化,所得到数据通常具有多个视图,从而形成多视图数据。如何高效利用多视图数据所包含的信息进行学习是多视图学习的研究目标。为了更好地利用多视图数据,促进多视图学习在实际中的应用,必须要考虑多变量相关性。针对单视图数据的多变量相关性问题,本文基于单输入单输出的矩阵信息通道,提出了多变量输入的张量信息通道,该通道可以研究多变量如何共享信息,与矩阵信息通道相比
近年来,多智能体系统在许多领域都有广泛应用,比如无人飞行器的协同控制、编队控制和耦合振子同步等;多智能体系统的分布式协调控制已经吸引了越来越多的科研工作者的关注.目前关于多智能体系统分布式协调控制的研究,大多都是假设智能体之间是连续通信的,而对于间歇通信下多智能体系统的研究还相对较少.本文分别研究了间歇通信下一般线性多智能体系统的一致性和鲁棒镇定问题,主要内容和贡献如下:1.分别研究了间歇通信下连
以控制架构为主的中央处理器(Central Processing Unit,CPU)无法深层次优化卷积神经网络的计算,在速度和功耗方面难以满足应用的要求。而计算密集的现场可编程门阵列(Field Programmable Gate Array,FPGA)适合并行计算的开发,并且具有可配置、开发周期短、成本低等特点,所以成为了部署卷积神经网络的热门平台。但卷积神经网络模型庞大、计算复杂,且FPGA的
视觉里程计通过分析处理图像序列来感知周围场景的三维信息,并确定运动相机的位姿,在机器人定位导航、自动驾驶,虚拟现实、增强现实和三维重建等领域都发挥着基础性的作用。近年来,深度学习与卷积神经网络在图像识别与跟踪等计算机视觉领域取得巨大成功,这也使得研究人员开始将深度学习应用于视觉里程计的技术研究中。本文对基于无监督深度学习方法的视觉里程计进行研究,设计了一个能同时完成场景深度估计与相机位姿估计任务的
计算机视觉中一个极其重要的研究领域是图像分类,它是人脸识别、图像检索等其他高级视觉任务的基础。近年来图像分类中一个比较火热的主题是高光谱图像分类。由于高光谱图像含有高的光谱分辨率,使得地物分辨识别能力被极大提高,因此它对农业、海洋、交通等多个方面起着重要的作用。传统机器学习方法在分类时依赖于人工设计的浅层特征,它们需要花费巨大的人力与时间,并且这些方法在面对高维数据时的表现不尽人意。而深度学习以其
随着社会进步和科技发展,机器人应用越来越广泛。人机协作模式逐渐在许多应用中取代单一机器人工作模式,因此,协作机器人成为研发和生产的热门产品。一般而言,国内的机器人性能与国外的产品相比仍然存在一定差距。为此,本文主要对协作机器人关节进行设计,旨在通过对性能进行研究,搭建试验台并完成机器人性能测试和指标优化研究,为协作机器人关节装配工艺提供理论依据和指导建议。针对协作机器人的特点及设计需求进行了总结,
21世纪,人类进入了大规模开发利用海洋的时期。作为“全球海洋观测业务系统计划”的一个子计划,Argo(Array for Real-time Geostrophic Oceanography)计划主要通过Argo浮标对深海区温盐结构进行观测,观测获取的实时数据被用于进行气候和海洋学等方面的研究,可以为海洋研究、海洋开发、海洋管理等提供数据及技术支持。现有的深海智能Argo浮标控制算法存在定深控制精