1037265清潔機器人全覆蓋路徑編碼器DFS60B-S4EA00256,采用沿邊學習的方式,利用機器人本身的紅外傳感器以及碰撞開關獲取環(huán)境的輪廓信息,同時通過超聲波傳感器獲取環(huán)境中障礙物邊界的距離信息,然后劃分子區(qū)域并根據柵格法建立子區(qū)域地圖。機器人通過編碼器和陀螺儀傳感器的信息進行自我定位,由于傳感器本身的測量誤差無法避免,因此針對清潔機器人系統采用擴展卡爾曼濾波對傳感器信息進行數據融合,獲得機清潔機器人運動過程中的位姿估計,通過仿真驗證了算法的有效性,。清潔機器人完成了沿邊學習之后,得到劃分的子區(qū)域,采用迂回遍歷模板對子區(qū)域進行覆蓋,并且根據能量時間小原則確定其行走方向,。論文提出的全覆蓋路徑規(guī)劃算法是基于沿邊學習—子區(qū)域劃分—子區(qū)域遍歷—沿邊學習的思想完成的。并且在對子區(qū)域進行遍歷的過程中,清潔機器人通過傳感器檢測到的信息判斷由孤立障礙物之間形成的初步無法遍歷的子區(qū)域,并在初步遍歷結束后對其進行補充遍歷,。終,完成工作區(qū)域的*遍歷,。本文在全覆蓋路徑規(guī)劃算法的基礎上,搭建了清潔機器人的實驗平臺,包括硬件和軟件的設計。清潔機器人運動模型是兩輪差速驅動,前方由萬向輪輔助支撐以及轉向,?？刂葡到y包括電源模塊、串口通信模塊,、電機驅動模塊,、傳感信息采集模塊等。軟件設計包括電機驅動PWM波形產生,、各傳感器信息采集以及全覆蓋路徑規(guī)劃算法,。不僅能夠代替人類進行繁瑣重復的操作,同時,也能在惡劣危險環(huán)境下可以進行復雜的協作,成為當下機器人的研究熱點。從目前發(fā)展趨勢來看,高集成度模塊化關節(jié)的設計與運動控制,是雙臂機器人研究的關鍵所在,。論文針對一種模塊化雙臂協作機器人,分別從高集成度模塊化關節(jié)結構設計,、機械臂誤差來源分析及建模、冗余運動學和動力學建模以及關節(jié)伺服位置控制等幾方面開展研究工作,。論文的主要研究內容和成果如下：（1）冗余自由度機械臂結構設計,。深入研究了人手臂關節(jié)結構特點及冗余特性,設計了冗余自由度的模塊化疊加的多關節(jié)手臂,每個關節(jié)集電機、諧波減速器,、值編碼器,、安全抱閘,、驅動器,、控制器等于一體；詳細介紹了其結構設計,、零部件選型和電氣元件布置安裝,；并進行了關節(jié)樣機研制。（2）機械臂誤差來源分析與建模,。分別就機械臂主要誤差來源：設計誤差、零件配合公差,、加工裝配誤差進行了分析,對關節(jié)誤差及誤差傳遞進行了深入的研究,。在此基礎之上,進一步研究機械臂結構誤差,該部分的分析計算為機械臂設計和反饋系統設計提供了理論數據。（3）冗余運動學,、動力學建模和仿真分析,。建立了冗余自由度機械臂運動學模型,對運動學的正解和逆解進行計算；研究了冗余度對機械臂回避奇異,、靈活性,、優(yōu)化主運動任務下的輔助操作指標等的影響,。建立了單關節(jié)和整個機械臂的動力學模型,分析了各個關節(jié)的受力及驅動力矩,并結合Adams軟件得到了仿真數據,然后對關節(jié)內電機、減速器等關鍵零部件進行選型,。（4）雙臂協調操作運動控制,。對機械臂末端軌跡規(guī)劃作數學分析,運用三角函數插值法對機械臂做軌跡規(guī)劃,；分析雙臂協調操作的約束關系,結合自身機械臂運動特點和控制要求選擇主從式力位混合控制,依據整體控制結構原理圖進一步分析機械臂運動,從而實現雙臂協調操作。（5）后,對研制出的模塊化關節(jié)進行重復定位精度測試,結果表明,研制的四種關節(jié),滿足了實際裝配對雙臂協作機器人靈活性和操作精度的要求,。

同步電機矢量控制的關鍵在于轉子位置的獲取,。使用高分辨率位置傳感器可以提高測量精度,但同時帶來了硬件成本大幅增加的問題,。為了在不增加編碼器分辨率的前提下提高轉子位置檢測精度,提出了一種利用DSP高頻時鐘脈沖對編碼器輸出脈沖細化的方法,對采用該方法進行位置計算所引起測量誤差進行詳細推導,并與基于傳統方法的位置計算的誤差進行了比較。該方法充分利用了TMS320LF2407DSP片內資源,在不增加硬件成本的前提下顯著減小了位置測量誤差,大大提高了位置傳感器的測量精度,。理論推導和系統實驗均證明了這種檢測方來越重視保護生態(tài)平衡,、維護生物多樣性。對各類物種的準確和一致性的識別需求也日漸增長,。昆蟲的種類在各類動物中,。作為種類昆蟲之一,蝴蝶在*有將近兩萬種。蝴蝶具有復雜的顏色,、紋理和圖案,人工識別難度較高且十分耗時,。因此,針對自動識別蝴蝶種類的研究受到越來越多的關注。計算機處理圖像數據的能力依賴其硬件技術。這些年硬件技術發(fā)展迅速,使得計算機處理圖像數據的能力快速上升,?；诖?圖像識別相關技術也不斷取得新的突破。計算機視覺任務中,深度學習憑借良好的特征學習能力取得了很多成果,。它通過非線性映射來提取原始數據低層特征,并且將其組合成抽象的高層特征表示,。由此得到從高維原始數據中抽取的低維有效特征,并依據抽取的特征進行分類,達到識別樣本類別的目的。自編碼深度學習可以通過自動學習網絡參數來提取樣本有效特征,從而取代傳統的手工提取特征,。深度學習在分析處理大規(guī)模數據方面具有優(yōu)勢,是一種有效的機器學習方法和數據處理工具,在目標檢測領域得到廣泛應用,。因此,我們將深度學習應用于蝴蝶種類自動識別問題中,以期自動定位蝴蝶在圖像中的位置、抽取蝴蝶特征,并且對其進行分類或聚類,提高蝴蝶種類識別效率,。以往的蝴蝶自動識別研究大多基于蝴蝶的標本照片數據,涉及的蝴蝶種類和照片數量都較小,且大多使用人工設計的方法來提取蝴蝶分類特征,。基于生態(tài)環(huán)境中拍攝的蝴蝶照片進行蝴蝶種類自動識別是對現有蝴蝶種類識別的挑戰(zhàn),因為生態(tài)環(huán)境中的蝴蝶照片,蝴蝶的分類特征將會被嚴重遮擋,。因此,本研究基于深度學習方法研究生態(tài)環(huán)境照片中的蝴蝶種類自動識別,包括生態(tài)照片中的蝴蝶位置定位及其種類識別,。生態(tài)環(huán)境中的蝴蝶照片中的蝴蝶種類標注難度,需要專業(yè)人員鑒定蝴蝶種類,甚至對專業(yè)人員都是非常大的挑戰(zhàn)。因此,本論文借助深度學習對特征的強大學習能力,采取有監(jiān)督和半監(jiān)督兩種方式實現蝴蝶種類鑒定,論文的主要工作和貢獻如下:1.對比使用基于深度學習的Faster R-CNN和Mask R-CNN目標檢測算法,定位和識別生態(tài)照片中蝴蝶的位置和種類,。通過添加對應種類的蝴蝶標本照片構造蝴蝶訓練集,并使用旋轉圖片,、添加噪聲等方式擴充訓練集。由此解決小規(guī)模數據集下,同一大物種下小物種的細粒度分類問題,。使用目標檢測算法的常用評價準則mAP來查看蝴蝶定位和識別的效果,。實驗結果顯示,Mask R-CNN算法可以在蝴蝶物種自動識別問題中取得更好的效果。2.由于蝴蝶數據集標注的難度較大.

1037265清潔機器人全覆蓋路徑編碼器DFS60B-S4EA00256  研究并應用于基于內容的圖像檢索領域,。哈希方法旨在學習一組哈希函數將原始數據映射成一串二進制編碼并在漢明空間保持數據在原始空間中的相似性,。使用哈希方法生成的二進制編碼來進行圖像檢索可以提高檢索的效率,并且大幅減小存儲開銷。決策樹是一種運行速度快,可解釋性強的模型,但目前基于決策樹的哈希方法由于使用淺層的決策樹而造成了學習能力不足的問題,。目前大多數的深度哈希方法都是基于深度神經網絡設計的,。考慮到基于深度神經網絡的哈希方法超參數過多,可解釋性差,訓練過程需要昂貴且強大的計算設備,因此設計一種超參數少,可解釋性好,并且訓練速度快的深度哈希方法是非常必要的,。多粒度級聯森林是一種不同于深度神經網絡的深度模型,這種模型由多粒度掃描和級聯森林組成,通過將森林構建成級聯結構對數據進行逐層處理,。目前為止,多粒度級聯森林還沒有被應用到哈希學習中,因此本文提出了基于多粒度級聯森林的哈希圖像檢索方法和基于流形相似度保持的多粒度級聯森林哈希圖像檢索方法。為了進一步減少圖像數據庫的存儲開銷,本文提出了基于隨機森林自動編碼器的哈希圖像檢索方法,。具體研究工作如下:1.針對目前基于決策樹的哈希圖像檢索方法中使用淺層的決策樹而造成的學習能力不足的問題,以及基于深度神經網絡的哈希方法中具有過多的超參數,可解釋性差,訓練過程需要昂貴的計算設備和大規(guī)模的數據集等不足,本文提出了基于多粒度級聯森林的哈希圖像檢索方法,。該方法首先使用不同尺寸的滑動窗口掃描原始數據以提取多粒度的特征,然后采用兩步學習策略——初始哈希碼推理和深度森林哈希函數學習——來實現哈希映射。實驗結果表明,該方法超參數設置簡單,檢索精度也高于基于決策樹的哈希方法和基于深度神經網絡的哈希方法,。2.為了充分利用數據的語義標簽信息和數據本身的屬性信息,本文提出了基于流形相似度保持的多粒度級聯森林哈希圖像檢索方法,。該方法在構造目標函數時同時考慮了語義相似度和流形相似度,將數據從原始空間映射到漢明空間后,同時保持了數據在原始空間的語義相似度和流形相似度。在檢索圖像時,根據圖像的內容信息可以檢索到在標簽語義和內容語義上同時保持的相關圖像,從而獲得更接近待檢索圖像語義信息的圖像,。實驗結果表明,該方法的檢索精度高于基于決策樹的哈希方法和基于深度神經網絡的哈希方法,并較基于多粒度級聯森林的哈希圖像檢索方法有所提高,且獲得了在語義上更加符合用戶需求的圖像,。3.為了進一步減小圖像檢索任務中圖像數據庫的存儲開銷,本文提出了基于隨機森林自動編碼器的哈希圖像檢索方法。該方法利用隨機森林自動編碼器將圖像檢索任務分為前向編碼過程和后向解碼過程,前向編碼過程是將數據從圖像空間映射到漢明空間,后向解碼過程是將哈希碼從漢明空間解碼到圖像空間。因此,在完成前向編碼后圖像檢索系統中無需再保存圖像庫,可以直接將哈希碼重構成圖像,從而大大減小存儲開銷,。實驗結果表明,該方法在檢索精度上有所降低,但能夠較好地重構圖像,。