-
题名基于非支配排序遗传算法的多目标轨迹优化方法
被引量：1
- 1
-
-
作者
杨丽荣
刘洋
周俊
-
机构
江西理工大学机电工程学院
江西理工大学江西省矿冶机电工程技术研究中心
-
出处
《实验室研究与探索》
北大核心
2025年第2期31-36,共6页
-
基金
赣州市重点研发计划项目(202101124911)
江西理工大学精品在线开放课程项目(XZG-22-02-14)。
-
文摘
机器人轨迹规划中,采用五次非均匀有理B样条(NURBS)插值算法可以在一定程度上提高机械臂轨迹规划的平滑性、连续性和稳定性,但无法解决运行时间、能耗及冲击的多目标最优值求解问题。为此,提出了一种面向实验室液压破碎机械臂轨迹优化的非支配排序遗传算法(NSGA-Ⅲ)。根据收敛性指标和间距指标选取Pareto最优解后进行轨迹优化,并与NSGA-Ⅱ对比。结果表明,在通过五次NURBS插值算法得到一条关节轨迹曲线后采用NSGA-Ⅲ进行轨迹优化,可以获得运行时间-能耗-冲击的Pareto最优解。相较于优化前,机械臂运行时间降低16%,最大关节角速度、角加速度及角加加速度分别降低8%、17%、19%。
-
关键词
多目标轨迹优化
非支配排序遗传算法
参考点机制
收敛性指标
间距指标
-
Keywords
multi-objective trajectory optimization
non-dominated sorting genetic algorithm
reference point mechanism
convergence index
spacing index
-
分类号
TP241
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于RBCB-YOLO网络的皮带上矿石识别方法
- 2
-
-
作者
曾庆文
罗小燕
易国涛
-
机构
江西理工大学机电工程学院
江西理工大学江西省矿冶机电工程技术研究中心
-
出处
《传感器与微系统》
北大核心
2025年第5期66-70,共5页
-
基金
国家自然科学基金资助项目(51464017)
江西省科技厅重点研发计划项目(20181ACE50034)。
-
文摘
针对运矿皮带上矿石颗粒形状大小不一、多数呈堆叠状态,采用传统的目标检测算法存在的识别难度大、准确率不高、易出现错检等问题,提出了一种RBCB-YOLO深度学习网络对矿石目标识别的方法。在YOLOv8 Backbone中添加卷积注意力模块(ResBlock_CBAM)并将CIoU Loss替换成WIoU Loss作为算法的边框损失函数,进而提高对矿石目标的识别准确率。首先引入ResBlock_CBAM注意力对矿石目标特征给予更多的关注,其次为更准确衡量重叠矿石目标预测框和真实框之间的相似程度,提升小边界框的权重,引入WIoU Loss损失函数。采用马赛克(Mosaic)数据增强方法扩充数据集提升模型的性能。结果表明,ResBlock_CBAM-YOLOv8网络模型与原模型对比,准确率提升4.5%,检测精度提升0.6%,平均精度均值(mAP)提升0.53%。验证了改进算法的识别效果更佳。
-
关键词
ResBlock_CBAM
YOLOv8
矿石识别
损失函数
-
Keywords
ResBlock_CBAM
YOLOv8
ore identification
loss function
-
分类号
TP242
[自动化与计算机技术—检测技术与自动化装置]
-
