针对日益严重的海洋垃圾污染问题,提出了一种基于深度学习的水下垃圾检测机器人,实现对水下垃圾的识别检测和定位。该机器人采用紧凑的机械结构,集成了多种传感器,通过6个螺旋推进器能够在复杂水下环境中自由运动。采用Raspberry Pi 3B...针对日益严重的海洋垃圾污染问题,提出了一种基于深度学习的水下垃圾检测机器人,实现对水下垃圾的识别检测和定位。该机器人采用紧凑的机械结构,集成了多种传感器,通过6个螺旋推进器能够在复杂水下环境中自由运动。采用Raspberry Pi 3B作为主控模块,结合Cortex-M3的stm32开发板,实现了高效的数据处理和运动控制。基于阿里云服务器的手机App远程监控系统,实现了对机器人状态的实时监控和操作。通过改进的YOLOv5算法,实现对水下塑料垃圾识别检测任务。试验研究结果表明:改进的YOLOv5算法可以实现对水下垃圾的识别检测,并且相比于传统算法检测速度和准确性得到提高。该研究将深度学习技术与水下机器人技术相结合,为海洋环境保护提供了新的技术途径。展开更多
文中针对传统RRT(Rapidly Exploring Random Tree)路径规划算法所存在的搜索随机性强、盲目性、路径冗余性及轨迹不连续性的问题,提出了一种改进RRT的运动规划算法,并对轨迹进行优化。首先,设计了去除搜索区域的动态采样区域的方法,通...文中针对传统RRT(Rapidly Exploring Random Tree)路径规划算法所存在的搜索随机性强、盲目性、路径冗余性及轨迹不连续性的问题,提出了一种改进RRT的运动规划算法,并对轨迹进行优化。首先,设计了去除搜索区域的动态采样区域的方法,通过去除已搜索区域,控制随机点的产生位置,降低搜索的随机性。其次,采用人工势场导向节点扩展策略,将障碍物与目标点的影响考虑到节点的扩展中,降低搜索的盲目性。然后,对初步路径进行优化,去除冗余部分、缩短路径距离。最后,使用最小snap的方法结合飞行走廊和时间重新分配,在保证不与障碍物碰撞的前提下使轨迹光滑连续,并将物理量控制在合理范围内。仿真试验结果表明:改进后的算法在搜索到路径时相较于未改进算法所扩展的节点平均减少了34.3%,对初步路径进行优化后路径长度平均缩短了25.8%。展开更多
文摘针对日益严重的海洋垃圾污染问题,提出了一种基于深度学习的水下垃圾检测机器人,实现对水下垃圾的识别检测和定位。该机器人采用紧凑的机械结构,集成了多种传感器,通过6个螺旋推进器能够在复杂水下环境中自由运动。采用Raspberry Pi 3B作为主控模块,结合Cortex-M3的stm32开发板,实现了高效的数据处理和运动控制。基于阿里云服务器的手机App远程监控系统,实现了对机器人状态的实时监控和操作。通过改进的YOLOv5算法,实现对水下塑料垃圾识别检测任务。试验研究结果表明:改进的YOLOv5算法可以实现对水下垃圾的识别检测,并且相比于传统算法检测速度和准确性得到提高。该研究将深度学习技术与水下机器人技术相结合,为海洋环境保护提供了新的技术途径。
文摘文中针对传统RRT(Rapidly Exploring Random Tree)路径规划算法所存在的搜索随机性强、盲目性、路径冗余性及轨迹不连续性的问题,提出了一种改进RRT的运动规划算法,并对轨迹进行优化。首先,设计了去除搜索区域的动态采样区域的方法,通过去除已搜索区域,控制随机点的产生位置,降低搜索的随机性。其次,采用人工势场导向节点扩展策略,将障碍物与目标点的影响考虑到节点的扩展中,降低搜索的盲目性。然后,对初步路径进行优化,去除冗余部分、缩短路径距离。最后,使用最小snap的方法结合飞行走廊和时间重新分配,在保证不与障碍物碰撞的前提下使轨迹光滑连续,并将物理量控制在合理范围内。仿真试验结果表明:改进后的算法在搜索到路径时相较于未改进算法所扩展的节点平均减少了34.3%,对初步路径进行优化后路径长度平均缩短了25.8%。
