【摘 要】
：
本文利用相机对目标物体特征点的测量信息解决机器人相对位置和姿态的估计问题。首先,针对机器人运动过程中相机获得的目标物体连续图像,利用扩展Kalman滤波器估计特征点的三维信息。然后,在SE(3)空间上设计了一个非线性位姿观测器。利用得到的特征点三维信息构造了 Lyapunov函数,并解耦成分别和姿态误差以及位置误差相关的两部分。利用Lyapunov稳定性原理设计了观测器的姿态误差和位置误差补偿律,
【基金项目】
：
国家自然科学基金-浙江两化融合联合基金(U1709213)项目资助。
论文部分内容阅读
本文利用相机对目标物体特征点的测量信息解决机器人相对位置和姿态的估计问题。首先,针对机器人运动过程中相机获得的目标物体连续图像,利用扩展Kalman滤波器估计特征点的三维信息。然后,在SE(3)空间上设计了一个非线性位姿观测器。利用得到的特征点三维信息构造了 Lyapunov函数,并解耦成分别和姿态误差以及位置误差相关的两部分。利用Lyapunov稳定性原理设计了观测器的姿态误差和位置误差补偿律,证明了观测器在平衡点处是渐近稳定的。最后,通过数值仿真实验验证了所提算法的有效性。
其他文献
基于直线电机车辆的基本结构及工作原理,利用拉格朗日-麦克斯韦方程,从机械与电磁能量层面进行了直线电机车辆系统机电动力学模型的构建。分析了车辆系统机械部件及电磁部分的相互作用规律,并推导了相关微分方程。根据Clark变换,将所得的三相坐标系模型简化为两相坐标系模型。应用Matlab求解及仿真,得到相关参数的变化规律。以此方法建立直线电机车辆的机电动力学模型,简单有效地解决了相关的机电动力学问题。
工会财务工作是国有企业发展中的重点工作,对于国有企业内工会经费的合理配置,提升工会经费利用率而言具有重要作用.基于此,可以通过构建完善工会经费管理机制、提升工会财务
大数据时代的兴起,对财务管理提出更高要求,通过财务信息化建设,可以解决人工化操作带来的弊端,降低财务风险,促进公司高质量、可持续发展.本文以A公司为例,分析财务信息化建
建筑工程项目具有复杂性、系统性等特征,招投标涉及的方面及影响因素比较多,工作量、难度系数比较大,极易引发各种风险.风险防控是建筑项目招投标阶段的重点,国有建筑企业要
机器人路径规划算法需应对运动过程中遇到的各种复杂环境。针对快速扩展随机树(RRT)算法规划时间长、产生新节点随机性大、盲目性强的缺点,提出基于目标指引的RRT路径规划算法。该算法在障碍物和目标点处分别产生虚拟势场,引入引力函数和斥力函数使得生成的随机点具有目标性,随机点朝向目标点方向产生,降低盲目性和随机性;回归策略和动态自适应步长策略减少规划时间和产生冗余点的数量。当环境复杂时,提出带有预测机制的模糊推理策略,以解决机器人在U型陷阱下易产生的局部死锁现象。在动态环境下,提出重规划策略使机器人拥有动态避障
面向非合作航天器相对位姿测量需求,提出一种无需先验信息和人工干预的航天器太阳帆板检测算法。在分析太阳帆板视觉特征基础上,设计了三级分类器级联的目标检测算法。针对角度未知长矩形目标识别方法独立性和稳健性不强的问题,设计了旋转图片检测目标的方法;针对传统特征提取方法效率低的问题,提出了颜色分布积分图和基于积分图的特征提取方法。最后通过实验验证了在不同背景下太阳帆板检测任务中,提出算法的实用性和鲁棒性。
在图像、文本、视频、语音以及社交类网络数据爆炸增长的时代,企业如何从海量非结构化数据中提取出有效信息并将之转化为生产效率的提升和流程自动化的实现,是目前迫切需要关注和解决的问题。本文以运营商集团电子工单自动判责场景为切入点,提出使用基于transformer架构的双向编码器表示(BERT)作为文本分类模型,自动收集各省份的反馈信息并进行各省份的工单责任智能判定。通过将BERT模型与LightGBM和Bi-LSTM-Attention模型进行实验对比,结果表明BERT模型对各类别工单的预测准确率均达到了96
改革开放四十年,我国的农村经济发展有质的飞跃,农业生产总值不断增加,农民人均收入水平显著提升.农村经济社会发展对财务会计的需求越来越大.农村财务会计管理工作是农村经
准确的风电场风向预测对制定偏航控制策略、提高发电量及风电机组稳定运行具有重要意义。针对风向的随机性和不确定性的特点,提出一种变分模态分解(VMD)和蝙蝠算法(BA)优化长短期记忆(LSTM)神经网络的短期风向预测模型。首先,采用变分模态分解将原始序列分解为多个有限带宽的特征模态分量以降低原始数据的复杂度和非平稳性对预测精度的影响,然后将各分量分别建立BA-LSTM模型进行预测,最后将各分量预测结果叠加得到风向值,结合河北某风场的实测数据进行多时间尺度的风向预测。实验结果表明,本文所提方法相比于LSTM和最
地质分层是指对某一个地区的地层剖面中的岩层进行划分,可用于指导相应的地质找矿工作。传统的地质分层主要依靠专家根据经验进行人工判断,然而由于地质层位类别繁多,需要消耗大量的时间和人力成本。现有的地质层位自动识别方法,由于没能考虑到测井数据的序列关系以及地质层位分布的特点,导致识别效果较差。基于此,本文提出了一种改进的双向长短期记忆神经网络(BiLSTM)的地质片段层位预测方法,可以根据测井数据自动快速地进行地质分层预测。该方法首先对测井数据进行分段处理,然后基于片段式的数据对BiLSTM网络进行相应的修改,