风力驱动球形机器人动力学

风力驱动球形机器人是一种新型移动机器人,适合于危险或人类难以到达的复杂地形环境的探测,因此在环境探测领域具有独特的优势。首先考虑了碰撞接触点无滑动和有滑动的情况,采用Kane方法建立了风力驱动球形机器人弹跳动力学模型,该模型可以直接分析机器人碰撞后的运动情况。然后给出了机器人滚动和滑动的运动条件,运用牛顿力学方法建立了机器人的滚动和滑动动力学模型。最后将弹跳、滚动和滑动运动模式有机结合,并考虑环境中随机风的作用,实现了风力驱动球形机器人的运动仿真。数值仿真结果揭示了环境变化和机器人结构参数变化对其运动性能的影响。     

方形截面飞行器上仰机动对滚转特性影响的数值模拟

飞行器从中小迎角至大迎角范围内,由于背风区流动分离形态的演化,静态气动特性特别是横侧向气动特性也随迎角显著变化,可能诱发复杂的滚转运动。但飞行器一般是上仰机动时,才从平飞状态快速拉起至大迎角,此机动过程对横侧向气动特性和滚转运动可能产生较大影响。本文发展了刚体动力学方程和Navier-Stokes方程的松耦合求解技术,并通过数值模拟航天飞机脱落碎片的六自由度运动轨迹进行了验证。针对背风区涡流形态及横侧向气动特性复杂的方形截面飞行器,数值模拟研究了其不同迎角下的静态滚转气动特性、自由滚转运动特性,以及上仰机动时不同拉起速率对滚转运动特性的影响。结果表明,对于此飞行器,静态时存在临界迎角约为13°,当迎角小于临界迎角时,滚转方向是静不稳定的,诱发快速滚转运动;当迎角大于临界迎角时,滚转方向是静稳定的,其滚转运动是收敛的。但上仰机动时,滚转运动的形态还与拉起速率相关,即使拉起的终止迎角大于临界迎角,如果拉起速率较慢,也可能出现快速滚转运动。     

基于单目三维重构的空间非合作目标相对测量

为了解决非合作目标的相对测量问题,提出了一种基于单目图像序列目标重构结果的非合作目标相对位姿测量方法。该方法将目标的三维重构与相机的位姿信息计算相结合,首先利用观测前期得到的图像序列,通过非线性优化算法计算得到目标上部分三维点坐标;然后基于该三维点集合,建立递推深度模型,对相机的相对位姿信息和新观测到的目标点同时进行卡尔曼滤波估计。航拍测量试验表明,随着图片数量的增多,精确重构点的比例（重投影误差小于1个像素的点）不断提高,80%的图像中精确重构点比例优于89%;基于公共数据集的试验表明,该算法对姿态估算精度可达1°以内,位置测量的精度可达到2cm以内。以上试验结果表明,该算法具有较高的测量精度。     

六轮腿式机器人结构设计与运动模式分析

复合运动模式机器人是移动机器人研究的热点之一。轮腿复合式机器人综合了轮式机器人的快速性和腿式机器人的灵活性,能更好地适应复杂地面环境。设计了一种圆周对称的六轮腿式机器人,其新型的轮腿组合方式使其在不增加多余驱动的基础上,通过改变自身构态实现轮腿运动模式的切换,降低了结构的复杂性,避免了轮子当作足在行走过程中磨损造成的不良影响。给出4种典型"3+3"三角周期步态和不同步态行走过程中的等效机构,建立了单腿正运动学和逆运动学模型,分析了不同步态间切换过程。根据机器人的特殊轮腿结构进行了轮腿运动模式切换规划,并分析了轮式运动和轮行过程中的转向问题,建立了4种轮行转弯运动学模型。通过轮腿式机器人样机试验,验证了其步行运动、轮行运动以及不同运动模式切换的能力。      

复杂动态场景下目标检测与分割算法

在动态场景等复杂条件下,往往难以对序列图像目标进行准确的检测与分割。根据序列图像中目标在复杂条件下的成像特点,提出了一种基于融合尺度不变特征变换(SIFT)流特征显著模型的动态场景目标检测与分割算法。通过对SIFT流算法表示运动特征信息的优势进行分析,并结合图像国际照明协会(CIE)Lab颜色空间的颜色和亮度特征信息,建立四维特征向量空间。利用改进的多尺度中心-环绕对比方法生成各特征通道的显著图并进行线性融合,建立序列图像的动态场景目标显著模型。最后利用均值漂移聚类算法和形态学处理实现对检测目标的精确分割。实验结果表明,相比传统检测与分割算法,该算法在动态背景与航拍等复杂场景下能够分割出更为完整的目标区域,具有良好的鲁棒性和高分割精度。      

关于涡方法的讨论

本文讨论了如何提高二维涡方法的计算精度和减小涡方法计算量的问题。文中指出了改进的途径,同时列举了当前这些方面的研究进展情况。     

确定自旋航天器旋转轴的动平衡方法

本文研究自旋航天器的旋转轴的试验测定方法，给出自旋轴方向的表示方法及其与转动惯量，惯性积的关系，建立了利用动平衡试验的不平衡量确定自旋轴相对平衡旋转轴偏差的计算机公式，从而可以利用动平衡试验的测试结果确定自自旋轴的方向，文末的例中讨论了动平衡机的最小可达剩余不平衡量对试验结果的影响。     

星载成像雷达运动补偿

本文分析了星载成像雷达的误差来源,运动误差产生的影响,对各种运动补偿方法进行了理论分析和比较.     

机载SAR反投影图像自聚焦处理方法

反投影算法(BPA)是一种经典的时间域合成孔径雷达(SAR)成像处理方法。BPA对回波数据插值累加得到图像,运动误差导致的目标散焦沿不同的倾斜角度存在,无法直接应用现有的自聚焦算法。为此,提出了一种新颖的BPA图像运动补偿方案。基于反投影数据运动相位误差和距离徙动分析,研究了修正投影栅格成像,从而去除重建图像中目标散焦方向的空变特性。在中低分辨率配置下,重建SAR图像能够直接应用相位梯度自聚焦(PGA)等进行运动补偿。点目标仿真实验和实测数据结果验证了该算法的有效性。     

一种结合深度学习的运动去模糊视觉SLAM方法

针对高动态环境下视觉同步定位与地图构建（Simultaneous Localization And Mapping,SLAM）系统的可靠性受运动模糊的限制,研究了一种基于生成对抗网络(Generative Adversarial Network,GAN)和AKAZE特征点的运动去模糊视觉SLAM方案。首先对因相机快速运动而产生的模糊图像进行AKAZE特征点的提取与检测,并根据特征点分布的丰富程度计算图像块权重,结合灰度图像的方差信息建立特征点与模糊程度之间的量化关系表;之后将达到模糊分数阈值的图像同步输入至改进GAN网络模型,该网络以端对端的形式恢复中心模糊帧的纹理信息,最后将输出的清晰图像重新进行位姿估计参与ORB-SLAM2后端优化过程。在公开数据集TUM上进行测试,对于受模糊影响较严重的数据集,方案可以明显降低相机轨迹估计的整体误差,同时维持较好的鲁棒性。