【摘 要】
：
在智能化立体车库中，RGV作为重要的车辆运载装备，其运行精度、稳定性要求较高。传统RGV控制主要关注RGV软启动，定位准确性，对于柔性加减速控制关注较少。当前的加减速算法包括直线加减速法、指数加减速法、多项式加减速法、抛物线加减速法、S曲线加减速法等算法，存在加速度突变，不能体现柔性加减速的思想，或者算法复杂需要消耗控制器大量逻辑运算时间，抑或固定在控制器参数不方便调节。为此建立基于PLC控制的两
论文部分内容阅读
在智能化立体车库中，RGV作为重要的车辆运载装备，其运行精度、稳定性要求较高。传统RGV控制主要关注RGV软启动，定位准确性，对于柔性加减速控制关注较少。当前的加减速算法包括直线加减速法、指数加减速法、多项式加减速法、抛物线加减速法、S曲线加减速法等算法，存在加速度突变，不能体现柔性加减速的思想，或者算法复杂需要消耗控制器大量逻辑运算时间，抑或固定在控制器参数不方便调节。为此建立基于PLC控制的两相混合式步进电机控制系统，采用M测速法测速，基于改进型正弦加减速速度曲线算法实现柔性运动控制，应用于RGV行走结构控制模型系统。实验表明改进正弦加速度算法易于实现，参数较少，可调节，减轻PLC运算压力，运行速度曲线较平滑，响应速度快，也可拓展用于其他柔性加减速控制场合。
其他文献
随着信息技术的发展,视频逐渐成为人们获取信息、传播信息的主要方式,而视觉目标跟踪作为视频自动化处理的重要研究内容,有着广泛的应用前景。基于孪生网络的视觉目标跟踪算法的提出,给视觉目标跟踪领域创立了一个可以兼顾跟踪精度与速度并且模型结构简洁清晰的范式。很多学者对孪生网络跟踪算法进行了研究与改进,孪生网络跟踪器的性能得以不断提升。但是面对视觉目标跟踪中复杂的场景与多样的挑战,孪生网络跟踪器的性能还有很
随着各国机动车保有量迅速增长,人们在享受交通便利的同时也遭遇着交通事故的烦恼。事故的发生由多种因素造成,但驾驶员作为承载交通安全的主体,其行为是影响道路安全的主要因素,因此准确且迅速的识别驾驶员的行为是保证驾驶安全的前提。传统的驾驶员行为检测系统因为驾驶场景的多样性和不确定性,整体识别准确率不高。基于深度学习的智能辅助系统能拓展驾驶员对环境感知的能力,具有巨大社会效益和现实意义。目前针对驾驶员行为
＜正＞（接上期）2．克孜尔第14窟伎乐天人图中的琵琶第14窟为一面积不大的方形窟，由于洞窟位置较高，破坏不甚严重，尤其窟顶壁画保存较好。根据该窟壁画的题材内容及绘画风格，参照毗邻洞窟碳-14测定数据，证明该窟应属克孜尔中期洞窟。
随着互联网的发展,软件开发的需求与日俱增,Web API的调用已经成为软件开发必可不少的一种方式。Web API是一些预定义的功能,它向软件开发人员提供了一系列的接口,有了Web API,软件开发人员可以根据自己的需求直接调用并组合Web API而无需了解其内部细节。但是,由于软件库中的Web API数量庞大,开发人员无法熟悉所有Web API并始终为特定的开发任务选择正确的Web API,因此W
近年来传感器的精度不断提高,可以获得关于目标的多个量测,这使得扩展目标跟踪逐渐成为了研究热点,即既跟踪目标质心的运动状态,又估计跟踪目标的形状。随机集理论下的滤波器避免了复杂的数据关联,且精度较高,受到国内外学者的青睐。本文以随机集理论的泊松多伯努利混合（PMBM）滤波器为基础,在三维空间中,对扩展目标跟踪中的目标形状估计进行了研究,主要工作内容如下:（1）针对三维扩展目标形状估计中存在对量测数量
传统的多目标跟踪算法都是根据点目标的假设,即在一次扫描中对单个目标只会形成至多一个点量测。由于激光雷达等新硬件的发展,每一个目标将会可能产生多个量测,目标的形状和范围将变得不可忽视,在对目标质心跟踪的同时,还要对目标的形状与范围等信息进行估计,由此产生了扩展目标跟踪问题。目前,扩展目标跟踪技术已经越来越多的应用于如室内外定位,自动驾驶,环境感知等领域。近年来,随着对随机有限集理论的进一步深入研究,
目标检测作为深度学习的一个重要分支,已经被广泛应用于智能交通、工业质检和自动驾驶等领域,创造了巨大的经济价值,降低了人工成本。近年来对目标检测网络的改进主要集中在网络结构、数据预处理等方面,忽略了网络超参数的重要性。实验表明目标检测神经网络对超参数敏感,为了得到适应具体场景的最佳参数,往往需要耗费研究者大量的精力。因此,设计针对神经网络特点的高效超参数优化方法意义重大。本文对目标检测网络中的锚点超
随着信息化的加速,新能源汽车、5G、人工智能和元宇宙等新兴产业蓬勃发展,电源管理芯片的应用场景更加广泛,各行业对电源的品质要求也越发严格,目前开关电源朝着高效低能耗、高功率密度、控制数字化、智能化和抗电磁干扰的方向发展。本文结合车载系统、通信电子及工业控制等应用场景,针对主流开关电源芯片存在的工作效率低下、系统瞬态响应速度慢和保护电路不够灵活等亟需解决的问题,进行了环路补偿优化、高效率和瞬态响应增
近年来,步态识别领域的研究受到了学术界的极大重视。早期的步态识别算法通常基于计算机视觉或压力传感器,随着微机电系统（Micro Electro Mechanical System,MEMS）技术的发展,基于MEMS惯性传感器进行步态识别已经成为主流。步态识别是从惯性传感器数据中提取不同步态类型的特征,以识别受试者的运动状态。步态识别算法通常基于机器学习或深度学习,目前的研究大多采用卷积神经网络提取
随着计算机硬件能力的提升和计算机视觉理论体系的不断完善,SLAM技术得以快速发展。目前视觉SLAM系统中以基于特征点法的前端作为主流,特征点法鲁棒性好,对环境、光照、动态物体不敏感,是现在比较完善的前端方案。但是当图像中提取不到足够的特征信息或者特征匹配效果较差时,系统后续的位姿估计准确度会受到很大的影响,甚至出现跟踪丢失的现象。针对特征点法存在的问题,本文对其做出改进,并提出针对多特征场景的视觉