OpenCV 在焊缝实时检测与处理系统中的应用

机器视觉系统是集机械、光电、控制、计算机和数字图像处理等技术于一体的高度自动化系统,能够有效地提高产品的质量和产量,现已广泛应用于工业当中.随着科技的发展,对焊接的质量与效率的要求越来越大,为此有必要设计一套行之有效的,在焊接自动跟踪技术中能够在线检测焊缝并进行处理的焊缝实时检测与处理系统.文中在 VC++6.0开发环境中设计了一种采用 Otsu 自动选择阈值和 Canny 算子检测边缘,基于 OpenCV 的焊缝实时检测与处理算法,实验结果表明基于该算法的系统实时性高、效果好、检测正确快速     

基于力/力矩信息的面向位控机器人的阻抗控制

为了克服末端接触点距离力传感器中心较远时,力传感器测量实际接触力的局限性,分析实际作用力与测量力/力矩值之间的关系,利用力传感器信息或力矩信息得到位置控制方向和力控制方向.根据位控与力控方向对机器人末端进行参考轨迹规划,在阻抗控制律中应用参考比例因子调节参考轨迹.基于力误差信息通过模糊推理调节参考比例因子的大小,使生成的参考轨迹适应未知表面的变化.实验结果表明,所提出的控制方法能实现未知工件表面的恒力跟踪.     

改进A*算法融合自适应DWA的移动机器人动态路径规划

为解决传统A*算法和传统动态窗口法（Dynamic window approach,DWA）在移动机器人路径规划中存在的问题,提出一种改进A*算法和改进DWA相结合的动态路径规划方法。首先,采用16邻域16方向的路径搜索方式扩大路径搜索视野,减少节点访问量和转角度数;其次,对启发函数进行优化,增强路径搜索的目的性;接着,采用冗余点删除策略,减少转折点数目,路径平滑度进一步提高,再使用B样条曲线对路径拐角进行处理,得到的路径较为平滑;然后,在DWA的评价函数中对障碍物进行分类并区别对待以及添加速度自适应因子,能够提高避障灵敏度;最后,通过与其他算法进行三部分仿真实验以及优先级策略仿真实验,验证改进A*算法的有效性和融合方法避障的优越性。     

基于改进神经网络的不确定性X-Y定位平台自适应控制

描述了X-Y平台实验系统的组成及其模型的建立过程.针对X-Y定位平台中存在的载荷以及摩擦参数的不确定性问题,提出了一种基于改进神经网络来补偿X-Y定位平台不确定性的方法.采用自适应遗传算法调整神经网络的权值系数,增强了神经网络的学习能力,使该定位平台的控制精度、鲁棒性和动态特性得到了改善.计算机仿真结果表明这种控制设计方案具有很好的动态特性.     

基于新型PD模糊控制方法的机器人轨迹跟踪

研究了一类基于模糊规则的变参数PD控制方法.对于模型未知对象,常规PD控制器参数的整定一般要基于一些经验知识,这对PD参数的整定带来一定的困难.该文采用TS模糊控制,将模糊控制和PD控制相结合组成一种复合控制器.这种控制方法兼备模糊控制和PD控制的优点,具有广泛的应用价值.二自由度机器人仿真和实验表明了该控制方案的可行性.     

在未知环境下面向位控机器人的力/位混合控制

提出了一种面向位控机器人的力/位混合控制策略.通过力反馈信息对未知环境约束进行估计获得位控和力控方向，根据位控和力控方向对机器人终端的运动轨迹进行规划，并采用阻抗控制规律以使机器人获得较好的柔顺性.在该算法中应用一个参考比例因子调节参考轨迹，根据反馈的接触力信息通过模糊推理确定参考比例因子的大小，从而使生成的参考轨迹适应未知环境刚度的变化.仿真试验表明，该策略具有较高的力控制精度和表面跟踪能力，增强了对接触环境参数变化的鲁棒性.     

含分布式电源的区间多目标微网规划

针对多目标优化问题,提出了一种基于可行性规则改进的多目标优化约束处理方法,在可行性规则中引入约束违反度信息和非支配层数信息到选择机制中,增强对可行解搜索空间的开发能力。将该约束处理方法引入到IP-MOEA算法中,然后将带约束处理的IP-MOEA算法应用到含分布式电源的区间配电网规划经济性模型,并且对该模型与只考虑负荷不确定的模型和只考虑分布式电源出力不确定的模型进行比较,结果表明,该模型所得区间解更加符合实际的配电网,可以为决策人员提供很好的优化方案。对加入分布式电源和不加入分布式电源的配电网的情况进行对比,结果表明,在配电网中加入分布式电源后的经济效益大于不加入分布式电源的经济效益,同时也使原有配电网的线路损耗大大降低。     

基于神经网络补偿的机器人力／位置控制

考虑摩擦及外界干扰的情况下,针对具有不确定性的机器人系统,提出了一种新的基于神经网络补偿的智能力／位置控制方案。该控制器通过神经网络补偿机器人模型的未建模动力学部分等非参数不确定性带来的影响,NN的输出信号加在参考输入上而不是在关节力矩或控制输入上,同时在力控制回路采用灰色预测模糊调节,以提高系统的动态性能和稳态精度。仿真研究表明所设计的控制器具有良好的动态性能和较强的鲁棒性。     

基于分类的多策略预测方法求解动态多目标优化问题

实际生活中存在很多动态多目标优化问题,一旦环境发生变化,就要求进化算法能快速地跟踪优化问题随时间移动的Pareto前沿或Pareto解集.对此,提出一种基于分类的多策略预测方法(CMSP).首先,利用优化得到的近似最优解来检测Pareto解集(PS)的变化类型:不变、平移和其他.然后,针对不同的变化类型,采取不同的应对策略:若为不变,则保留精英个体,并保证多样性;若为平移,则对最优解集的中心点建立时间序列,通过预测梯度策略更新种群,将预测的个体与从旧种群中保留下来的个体进行比较,以保证预测的准确性;若为其他,则对多个特殊点建立时间序列以预测新环境中个体的位置.最后,引入种群保留策略和记忆恢复策略,有利于更充分地利用历史信息.实验结果表明,CMSP可以很好地进行动态多目标优化.     

未知环境下的机器人视觉/力觉混合控制

在实际的接触型作业任务中,需要在控制位置的同时控制末端执行器与环境之间的接触力.针对这一问题,通过力反馈信息对未知环境中的法线方向进行估计,并采用最小二乘方法估计图像雅可比矩阵.提出一种基于视觉/力觉的混合控制算法,给出了视觉/力觉混合控制的约束条件,对视觉采用变结构控制器,力控制采用PI控制器.实验结果表明,该策略具有较高的力控制精度和曲线跟踪能力.