✨ 长期致力于履带式车辆、滑模摊铺、道面边界检测、轨迹规划、行驶控制器研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）多模态道面边界检测与卡尔曼融合：
针对混凝土铺筑现场环境复杂，单一视觉传感器易受光照和扬尘影响，设计基于深度学习和激光点云的多模态边界检测系统。视觉部分采用改进的YOLOv5-seg语义分割网络，训练数据集包含五千张摊铺现场图像，标注出铺筑体边界和路基边界，分割精度mIoU达到百分之九十二。当视觉失效时（如强光或雾霾），启用激光雷达点云边界检测：使用改进随机采样一致性算法拟合地面平面，然后将点云投影至二维，采用密度聚类识别路缘石特征，通过三次样条拟合得到边界线。将视觉和激光检测结果送入卡尔曼滤波器进行融合，滤波器状态为边界曲线的三次多项式系数，观测噪声协方差根据传感器置信度动态调整。在实测中，纯视觉在逆光条件下边界误差达八厘米，融合后误差降至二点三厘米。系统输出连续的边界表达式，供轨迹规划使用。","import numpy as np
import cv2
from filterpy.kalman import KalmanFilter
class MultiModalBoundaryDetector:
def __init__(self):
self.kf = KalmanFilter(dim_x=4, dim_z=2)
self.kf.F = np.eye(4)
self.kf.H = np.array([[1,0,0,0],[0,0,1,0]])
self.kf.P *= 10
self.kf.R = np.eye(2) * 0.01
self.kf.Q = np.eye(4) * 0.001
def vision_detection(self, image):
# using YOLOv5-seg (pseudo)
boundary_points = np.array([[0,1],[1,2],[2,3]]) # placeholder
return boundary_points
def lidar_detection(self, point_cloud):
# RANSAC + clustering
# placeholder
boundary_points = np.array([[0,1.1],[1,2.1],[2,3.1]])
return boundary_points
def fit_polynomial(self, points, degree=3):
coeffs = np.polyfit(points[:,0], points[:,1], degree)
return coeffs
def fuse(self, vision_points, lidar_points, confidence_vision=0.8):
# weighted average
if vision_points is None:
coeffs = self.fit_polynomial(lidar_points)
elif lidar_points is None:
coeffs = self.fit_polynomial(vision_points)
else:
vis_coeff = self.fit_polynomial(vision_points)
lid_coeff = self.fit_polynomial(lidar_points)
coeffs = confidence_vision * vis_coeff + (1-confidence_vision) * lid_coeff
# kalman update on coefficients
self.kf.predict()
self.kf.update(coeffs[:2]) # update first two coefficients
return self.kf.x[:4]
","
（2）五次多项式与最小冲击度轨迹规划：
摊铺机行驶轨迹需满足边界约束和平顺性要求，分别针对布放工况（从停放点驶入铺筑起点）和行驶纠偏工况（调整横向偏差）设计规划算法。采用五次多项式生成横向和纵向轨迹，使得位置、速度和加速度边界连续。为最小化冲击度（加加速度），将目标函数定义为J = ∫ jerk^2 dt，在满足约束下通过拉格朗日乘子法求解最优轨迹参数。对于布放工况，起点为仓库门口（给定位姿），终点为铺筑起始点（与道面边界对齐），约束包括最大速度0.5米每秒、最大加速度0.3米每平方秒。规划出的轨迹最大冲击度为每立方秒零点零五米，满足舒适性要求。在CoppeliaSim仿真中，摊铺机模型沿规划轨迹行驶，横向误差小于两厘米。对于纠偏工况，当车辆偏离边界超过五厘米时，触发局部重规划，预测前方十米路径，输出期望转向角序列。
import numpy as np from scipy.optimize import minimize class TrajectoryPlanner: def __init__(self, max_vel=0.5, max_acc=0.3, max_jerk=0.1): self.max_vel = max_vel self.max_acc = max_acc self.max_jerk = max_jerk def quintic_coeff(self, t0, tf, p0, pf, v0, vf, a0, af): T = tf - t0 A = np.array([[1, t0, t0**2, t0**3, t0**4, t0**5], [0, 1, 2*t0, 3*t0**2, 4*t0**3, 5*t0**4], [0, 0, 2, 6*t0, 12*t0**2, 20*t0**3], [1, tf, tf**2, tf**3, tf**4, tf**5], [0, 1, 2*tf, 3*tf**2, 4*tf**3, 5*tf**4], [0, 0, 2, 6*tf, 12*tf**2, 20*tf**3]]) b = np.array([p0, v0, a0, pf, vf, af]) coeff = np.linalg.solve(A, b) return coeff def plan_broadcast(self, start_pose, end_pose, duration=20.0): # start_pose: (x,y,theta), end_pose: (x,y,theta) t = np.linspace(0, duration, 100) coeff_x = self.quintic_coeff(0, duration, start_pose[0], end_pose[0], 0, 0, 0, 0) coeff_y = self.quintic_coeff(0, duration, start_pose[1], end_pose[1], 0, 0, 0, 0) traj = [] for ti in t: x = np.polyval(coeff_x[::-1], ti) y = np.polyval(coeff_y[::-1], ti) traj.append((x,y)) return np.array(traj) ","（3）模型预测控制器设计与物理样机验证：基于履带车辆运动学模型，设计多约束模型预测控制器。预测模型采用线性时变模型，将非线性模型在当前点线性化，预测时域设为十步（每步零点一秒），控制时域五步。约束包括转向角速度限制（正负每秒二十度）、加速度限制以及边界硬约束（不得超出铺筑体边界正负五厘米）。目标函数为轨迹跟踪误差平方和加上控制量变化惩罚。在每个采样时刻求解二次规划问题，得到最优控制序列。在CoppeliaSim与MATLAB联合仿真中，与纯误差反馈控制器对比：误差反馈控制器的平均跟踪误差为四点五厘米，最大误差十二厘米；模型预测控制器的平均误差为二点一厘米，最大误差四点三厘米，且控制动作更平滑。在物理样机试验中，摊铺机以零点三米每秒速度行驶三十米，实际轨迹与参考轨迹的最大横向偏差为三点七厘米，满足施工要求。同时，系统对植被遮挡边界的鲁棒性测试显示，融合算法在百分之三十的点云丢失情况下仍能稳定运行。
