Investigación sobre la identificación y ubicación de puertos de carga de múltiples vehículos eléctricos basada en SFLDLC-CBAM-YOLOV7-Tinp-CTMA
Autores: Quan, Pengkun; Lou, Ya"nan; Lin, Haoyu; Liang, Zhuo; Wei, Dongbo; Di, Shichun
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Investigación sobre la identificación y ubicación de puertos de carga de múltiples vehículos eléctricos basada en SFLDLC-CBAM-YOLOV7-Tinp-CTMA
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Conducción autónoma
Carga de vehículos eléctricos
Ubicación del puerto de carga
Algoritmos de identificación de PC
Módulo de atención de bloque convolucional
YOLOV7-tinp
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 54
Citaciones: Sin citaciones
Con la madurez gradual de la tecnología de conducción autónoma y estacionamiento automático, la carga de vehículos eléctricos se está moviendo hacia la automatización. La ubicación del puerto de carga (CP) es una base importante para lograr la carga automática. Los algoritmos de identificación de CP existentes solo son adecuados para un modelo de vehículo único con poca universalidad. Por lo tanto, este documento propone un conjunto de métodos que pueden identificar los CP de varios tipos de vehículos. El proceso de reconocimiento se divide en una etapa de posicionamiento aproximado (RPS) y una etapa de posicionamiento preciso (PPS). En este estudio, se establecen conjuntos de datos correspondientes a cuatro tipos de CP de vehículos en diferentes entornos. En la RPS, se obtiene la información característica del CP basada en la combinación del módulo de atención de bloque convolucional (CBAM) y YOLOV7-tinp, y su información de posición se calcula utilizando la relación de proyección similar. Para el PPS, este documento propone un método de mejora de datos basado en la ubicación de características similares para determinar la categoría de etiqueta (SFLDLC). Se utiliza CBAM-YOLOV7-tinp para identificar la información de ubicación de características, y se utiliza el algoritmo de coincidencia de plantilla de grupo (CTMA) para obtener la ubicación precisa de características y el tipo de etiqueta, y se utiliza el algoritmo EPnP para calcular la información de ubicación y postura (LP). Los resultados de la solución LP se utilizan para proporcionar las coordenadas de posición del CP en relación con la base del robot. Finalmente, se utiliza el robot AUBO-i10 para completar la prueba experimental. Los resultados correspondientes muestran que los errores de posicionamiento promedio (x, y, z, rx, ry y rz) del CP son de 0.64 mm, 0.88 mm, 1.24 mm, 1.19 grados, 1.00 grados y 0.57 grados, respectivamente, y la tasa de éxito de inserción integrada es del 94.25%. Por lo tanto, el algoritmo propuesto en este documento puede identificar y ubicar eficiente y precisamente varios tipos de CP y cumplir con los requisitos reales de enchufado.
Descripción
Con la madurez gradual de la tecnología de conducción autónoma y estacionamiento automático, la carga de vehículos eléctricos se está moviendo hacia la automatización. La ubicación del puerto de carga (CP) es una base importante para lograr la carga automática. Los algoritmos de identificación de CP existentes solo son adecuados para un modelo de vehículo único con poca universalidad. Por lo tanto, este documento propone un conjunto de métodos que pueden identificar los CP de varios tipos de vehículos. El proceso de reconocimiento se divide en una etapa de posicionamiento aproximado (RPS) y una etapa de posicionamiento preciso (PPS). En este estudio, se establecen conjuntos de datos correspondientes a cuatro tipos de CP de vehículos en diferentes entornos. En la RPS, se obtiene la información característica del CP basada en la combinación del módulo de atención de bloque convolucional (CBAM) y YOLOV7-tinp, y su información de posición se calcula utilizando la relación de proyección similar. Para el PPS, este documento propone un método de mejora de datos basado en la ubicación de características similares para determinar la categoría de etiqueta (SFLDLC). Se utiliza CBAM-YOLOV7-tinp para identificar la información de ubicación de características, y se utiliza el algoritmo de coincidencia de plantilla de grupo (CTMA) para obtener la ubicación precisa de características y el tipo de etiqueta, y se utiliza el algoritmo EPnP para calcular la información de ubicación y postura (LP). Los resultados de la solución LP se utilizan para proporcionar las coordenadas de posición del CP en relación con la base del robot. Finalmente, se utiliza el robot AUBO-i10 para completar la prueba experimental. Los resultados correspondientes muestran que los errores de posicionamiento promedio (x, y, z, rx, ry y rz) del CP son de 0.64 mm, 0.88 mm, 1.24 mm, 1.19 grados, 1.00 grados y 0.57 grados, respectivamente, y la tasa de éxito de inserción integrada es del 94.25%. Por lo tanto, el algoritmo propuesto en este documento puede identificar y ubicar eficiente y precisamente varios tipos de CP y cumplir con los requisitos reales de enchufado.