基于可达性决策的柔性针穿刺控制方法

穿刺术具有创口小、恢复快的优势,是一种广泛使用的微创手术.柔性针穿刺是对传统穿刺术的改进.本文首先分析柔性针运动学模型,使用无色卡尔曼滤波(unscented Kalman filter,UKF)对穿刺过程中柔性针针尖位置和姿态进行估计.然后根据柔性针的运动学特点提出一种基于柔性针可达范围的控制方法,分析控制系数对穿刺轨迹的影响,并通过仿真和明胶穿刺实验验证该控制方法的效果.在穿刺深度为100 mm的情况下,本文提出的控制方法能够将穿刺误差保持在0.5 mm以下.仿真实验也表明当模型参数与实际值的误差在一定范围内时,该控制方法仍能够实现高精度的穿刺.     

基于MIT规则的自适应扩展集员估计方法

用于非线性椭球估计的自适应扩展集员(Adaptive extended set-membership filter, AESMF)算法在实际应用中存在着过程噪声设定椭球与真实噪声椭球失配的问题, 导致滤波器的估计出现偏差甚至发散. 本文提出了一种基于MIT规则过程噪声椭球最优化的自适应扩展集员估计算法(MIT-AESMF), 用于解决非线性系统时变状态和参数的联合估计和定界中过程噪声无法精确建模问题的新算法. 本算法通过MIT优化规则,在线计算使一步预测偏差包络椭球最小化的过程噪声包络椭球, 以此保证滤波器健康指标满足有效条件; 最后, 采用地面移动机器人状态和动力学参数联合估计验证了所提出方法的有效性.     

一种用于移动机器人状态和参数估计的自适应UKF算法

为了提高 UKF 的估计精度和收敛性, 提出了一种新的自适应滤波方法. 新息方差阵的测量值和其相应的估计/预测值的差被用于构造指标函数. MIT 规则被用于构造自适应机制以指标函数最小来在线更新过程不确定性的方差值. 更新后的方差反馈给常规 UKF. 这种自适应机制主要用于补偿过程噪声分布的先验信息不足以及提高 UKF 状态和参数的主动估计性能. 讨论了自适应 UKF 的渐进稳定性. 在全方位移动机器人上进行了仿真, 结果表明与常规的 UKF 相比自适应 UKF 更有效更精确.     

一类非线性欠驱动移动系统的加速度反馈增强的H∞扰动抑制控制

提出了一种即适用于全驱动系统, 也适用于欠驱动系统的加速度反馈控制新方法—加速度反馈增强的 H∞ 控制方法. 通过引入前置滤波器来代替传统加速度反馈控制方法中的高增益, 新的加速度反馈控制方法可以根据已知的非线性动力学项设计非线性鲁棒性增强控制器; 通过与后退算法相结合, 新的加速度反馈控制方法可以应用于欠驱动非线性系统; 通过在频率域及输入输出有限增益 L2 稳定的意义上的分析显示了新的方法具有良好的扰动抑制性能. 最后, 在一个直升机仿真模型上进行的跟踪控制仿真实验的结果验证了新方法的可行性与有效性.     

基于表面肌电的意图识别方法在非理想条件下的研究进展

在基于表面肌电信号(Surface electromyography, sEMG)的意图识别研究领域, 目前大多数的研究主要集中在提高肌电识别的准确性方面. 然而, 在实际应用中, 基于sEMG识别的交互系统往往受到诸多非理想因素干扰, 肌电识别的准确性大大降低. 本文主要关注在非理想条件下肌电识别的鲁棒性研究, 首先详细归纳了肌电识别方法受到的非理想干扰因素(如电极偏移、个体性差异、肌肉疲劳、肢体姿态或其他综合性干扰), 总结了当前研究的抗干扰方法; 随后讨论了非理想干扰因素研究现状中的主要问题; 最后在构建肌电数据集、探索深度学习和迁移学习以及肌电分解研究等方面, 对未来的关键技术进行了展望.     

基于自更新混合分类模型的肌电运动识别方法

传统基于肌电（Electromyography,EMG）的运动识别方法多是利用训练后的固定参数模型,分类已预先定义的有限个目标动作,但对肌肉疲劳导致的肌电变化,以及未定义的外部动作等干扰因素无能为力.针对这一问题,提出一种自更新混合分类模型（Self-update hybrid classification model,SUHC）,该模型融合了用于排除外部动作干扰的一类支持向量机（Support vector machine,SVM）,以及用于分类目标动作数据的多类线性判别分析（Linear discriminant analysis,LDA）,并引入自更新机制以对抗肌电时变性干扰.通过手部动作识别实验验证提出方法的效果,在肌电大幅变化干扰下,SUHC的目标动作识别精度达到89%,对比传统的支持向量机、多层感知器（Multiple layer perceptron,MLP）和核线性判别分析（Kernel LDA,KLDA）,提高了约18%,并且SUHC具备排除外部动作干扰能力,排除精度高达93%.     

基于加速度信号增强的无色卡尔曼滤波方法在水面移动机器人中的应用

水面移动机器人系统的高性能航迹跟踪控制要求能够获取高精度的运动状态和不确定性信息(包括内部不确定参数和外部干扰),而直接高精度测量手段的匮乏,以及数学模型的强非线性、耦合性使得如何得到这些信息存在着种种困难。针对此问题,提出利用一种结合基于奇异值分解无色卡尔曼滤波(Singular value decomposition unscented Kalman filter,SVDUKF)算法和加速度测量的新估计算法。SVDUKF方法是无色卡尔曼滤波(Unscented Kalman filter,UKF)的一种改进方法,具有更宽松的使用条件。此外,该方法的最大优点在于将UKF算法处理系统强非线性和加速度信号富含扰动信息并可简化系统估计模型等特点结合起来,从而获得了一种精度更高、计算复杂度更低的在线估计算法。从推导水面移动机器人系统非线性模型开始,简要介绍加速度信号对模型的简化原理以及SVDUKF算法的基本步骤,并通过仿真验证了算法在估计精度和计算效率方面的优越性。     

移动机器人基于视觉室外自然场景理解的研究与进展

对于工作在典型非结构化场景中的移动机器人系统, 具有良好的室外自然场景感知与理解能力是其能够自主运行的前提条件. 移动机器人使用视觉传感器来进行室外自然场景的理解一直是该领域的研究热点. 本文首先介绍了基于视觉的移动机器人自然场景理解的研究现状, 对其相关子领域的研究思路与前沿技术进行了着重论述与分析, 并从实时性和环境自适应性等方面对相关技术的实用性问题加以讨论. 最后对该领域的研究重点和技术发展趋势进行了探讨.     

一种基于单通道 sEMG 分解与 LSTM 神经网络 相结合的手势识别方法

在基于表面肌电(sEMG)信号的动作识别中,使用单通道传感器能够简化系统、减少识别延时,但也存在识别精度偏低的问题。为了提高识别精度,本文提出将单通道sEMG信号分解策略与长短期记忆(LSTM)循环神经网络识别相结合的方法。在该方法中,先将单通道sEMG信号分解成多通道运动单元动作电位序列(MUAPTs),然后提取MUAPTs的特征,最后将这些特征对LSTM分类模型进行训练。为了验证该方法的有效性,本文以手势动作识别为对象,对6名受试者分别建立了4种分类模型,包括基于未分解信号的支持向量机(SVM)、基于分解信号的SVM、基于未分解信号的LSTM、以及本文提出的基于分解信号的LSTM,并定义识别精度量化指标对这四种模型的分类结果进行评估。对于旋前方肌sEMG信号,在使用本文所提方法进行手势识别时,平均估计精度均能达到90%以上,比未分解的LSTM高18.7%,比分解信号的SVM高4.17%,比未分解信号的SVM高11.53%。实验结果验证了本文所提方法的有效性。     

直接驱动机器人关节加速度反馈解耦控制

以利用线加速度传感器实际测量转动关节的加速度为基础,分析了机器人关节加速度反馈控制的开环模型,以及影响其闭环稳定性的主要因素;提出了闭环控制策略的设计准则.在一台三自由度直接驱动机器人上的实验结果证明了该文分析的正确性,与不具备加速度反馈控制时的实验结果相比较,显示出这种方法的有效性.