基于自适应迭代学习的小行星绕飞容错控制

对于小行星绕飞任务的探测器姿态控制问题,已有方法大都考虑了干扰力矩和参数不确定等因素,而忽视了执行器故障情况。针对执行器故障条件下的小行星探测器姿态控制问题,提出了一种基于自适应迭代学习的容错控制方法。所设计的控制器包括两部分：其一针对执行器故障,设计了自适应迭代学习控制器,采用类滑模的思想和自适应迭代学习算法对控制器参数进行调整,进而补偿执行器故障带来的影响,保证系统在控制输出不足情况下的高精度姿态稳定性;其二针对探测器参量变化、外部环境干扰等不确定情况,设计了基于自适应神经网络的迭代学习控制器,采用径向基函数（RadialBasisFunction,RBF）神经网络对系统非线性部分进行逼近,同时对控制器参数进行自适应迭代学习调整,进而保证系统在不确定情况下的动态性能。数值仿真结果表明该控制器能够有效抑制外部环境干扰和内部参数变化带来的不利影响,在执行器部分失效甚至完全失效故障情况下,仍能保证系统的鲁棒性并实现误差在10^-2数量级内的较高姿态控制精度。     

BP网络进行0-9十个数字图像的识别

在BP算法和数字图像处理技术的基础上,本文在MATLAB软件环境下提取Word文档中26种字体的0-9十个数字的图像,使用MATLAB神经网络工具箱及图像处理工具箱进行数字的识别,给出了较详细的处理步骤及相关程序,并比较了各种识别算法的收敛速度和识别率。     

基于深度学习的视觉检测及抓取方法

针对现有机器人抓取系统对硬件设备要求高、难以适应不同物体及抓取过程产生较大有害扭矩等问题,提出一种基于深度学习的视觉检测及抓取方法。采用通道注意力机制对YOLO-V3进行改进,增强网络对图像特征提取的能力,提升复杂环境中目标检测的效果,平均识别率较改进前增加0.32%。针对目前姿态估计角度存在离散性的问题,提出一种基于视觉几何组-16(VGG-16)主干网络嵌入最小面积外接矩形(MABR)算法,进行抓取位姿估计和角度优化。改进后的抓取角度与目标实际角度平均误差小于2.47°,大大降低两指机械手在抓取过程中对物体所额外施加的有害扭矩。利用UR5机械臂、气动两指机械手、Realsense D435相机及ATI-Mini45六维力传感器等设备搭建了一套视觉抓取系统,实验表明：所提方法可以有效地对不同物体进行抓取分类操作、对硬件的要求较低、并且将有害扭矩降低约75%,从而减小对物体的损害,具有很好的应用前景。     

基于深度神经网络的变比冲小推力交会实时最优控制（英文）

针对燃料最优交会问题,提出了一种基于深度神经网络的实时控制方法。首先,发展了面向燃料最优交会问题的轨迹反向生成方法,该方法基于现有的反向生成思想进行二分法迭代,以满足反向积分的两个截止条件。然后,构造了一种适用于变比冲模型的深度神经网络结构,并将网络的输出控制分为推力输出和比冲输出。提出了先学习最优比冲,然后根据比冲的实际上下限约束对其进行限制以获得比冲输出的方法。进一步,通过设计增强容错深度神经网络以提高交会任务末端接近段的鲁棒性。最后,通过对地球至阿波菲斯小行星和地球至火星的任务仿真,验证了所提方法的有效性和高效性。     

可靠性技术的最新进展

简要总结了可靠性工程研究和发展的现状，并分析从人的可靠性、软件可靠性、学科相互交叉三个领域介绍了近2－3年来可靠性技术的最新进展和今后的研究方向。