-
公开(公告)号:CN117446237A
公开(公告)日:2024-01-26
申请号:CN202311461796.6
申请日:2023-11-03
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
IPC: B64U30/24 , B64U40/10 , B64U30/296
Abstract: 本发明公开了一种桨叶间距可调的共轴双旋翼飞行器,涉及无人机领域,包括:上旋翼系统、调距机构和下旋翼系统;所述调距机构,包括:上安装板和下安装板,所述上旋翼系统安装在上安装板上,所述下旋翼系统安装在下安装板上;所述上安装板和下安装板之间设有连杆机构,用于实现上安装板和下安装板的轴向相对位移,从而调节上下旋翼系统间距;所述上旋翼系统和下旋翼系统中均设置有变距机构,用于实现共轴双旋翼飞行器的周期变距角和总距角调节;本发明,能够实现动态旋翼间距调节,既能保证较好的升力储备,又能提高飞行器的能耗效率。
-
公开(公告)号:CN116395162A
公开(公告)日:2023-07-07
申请号:CN202310485069.7
申请日:2023-04-28
Applicant: 北京理工大学重庆创新中心
IPC: B64U30/24 , B64U30/296 , B64U10/17 , B64U40/10 , B64C27/10 , B64C27/605 , B64C27/32
Abstract: 本发明公开了一种共轴双旋翼飞行器及其控制方法,涉及飞行器结构领域,其中,共轴双旋翼飞行器,包括:上旋翼飞行系统、下旋翼飞行系统和桨间距调整系统;所述上旋翼飞行系统,包括:上旋翼系统、上旋翼驱动系统和上旋翼操纵系统;所述下旋翼飞行系统,包括:下旋翼系统、下旋翼驱动系统和下旋翼操纵系统;所述桨间距调整系统用于调整上旋翼飞行系统和下旋翼飞行系统之间的间距;本发明,一方面通过调整桨间距既保证了较好的整桨推进效率,又能尽量降低共轴双旋翼上下桨叶产生的气动干扰导致的整机的的振动幅度,对提高气动效率、增大飞行效益有重要意义。
-
公开(公告)号:CN116534276A
公开(公告)日:2023-08-04
申请号:CN202310617921.1
申请日:2023-05-29
Applicant: 北京理工大学重庆创新中心
IPC: B64F5/60
Abstract: 本发明涉及实验装置技术领域,旨在解决现有技术中无法测试共轴双旋翼飞行器在不同运动状态下的升力、转矩和铰链力矩的问题,提供一种旋翼无人机在多种工况下运动特性的测试装置,包括测试连接盘;测试连接盘轴心上可拆卸的连接有共轴双旋翼无人机动作控制构系统;共轴双旋翼无人机动作控制构系统具有主轴,主轴由上至下依次套设有旋翼驱动电机、旋翼系统、十字操作盘系统和舵机,十字操作盘系统的一侧与旋翼系统连接,十字操作盘系统的另一侧与舵机连接,舵机连接有舵机支撑座,舵机通过舵机支撑座固定在主轴上,主轴的一端可拆卸的固定连接在测试连接盘上。本发明的有益效果是能够测试共轴双旋翼无人机在不同运动状态下的升力、转矩和铰链力矩。
-
公开(公告)号:CN115273016A
公开(公告)日:2022-11-01
申请号:CN202111048689.1
申请日:2021-09-08
Applicant: 北京理工大学 , 北京理工大学前沿技术研究院
IPC: G06V20/58 , G06V10/25 , G06V10/762
Abstract: 本发明公开了一种无人驾驶场景下障碍物不可通行区域确定方法及系统。该方法包括:将聚类后的障碍物点云进行栅格化拆分;基于最小二乘法确定每个栅格中点云的主方向;基于最小包络原则计算每个栅格中点云的包围盒的参数;包围盒的参数包括:包围盒的长、宽、高和中心坐标;根据每个栅格中包围盒的参数和点云主方向确定障碍物不可通行区域。本方法改进了将障碍物点云作为一个包围盒生成不可通行区域时容易造成包围盒形状与真实障碍物形状差异过大、包围盒尺寸过大导致过多的可通行区域被误判为不可通行区域时所存在的不足。本发明能提高无人车障碍物检测的精度和鲁棒性。
-
公开(公告)号:CN115272995A
公开(公告)日:2022-11-01
申请号:CN202111184745.4
申请日:2021-10-12
Applicant: 北京理工大学 , 北京理工大学前沿技术研究院
IPC: G06V20/56 , G06V10/762 , G06V10/82 , G06V10/774 , G06N3/04 , G06N3/08 , G06T3/40
Abstract: 本发明公开了一种基于生成对抗网络的雨雪天车道线检测方法及系统。该方法,包括:将雨雪天气下的目标图像输入雨雪痕迹去除模型得到痕迹去除图像;雨雪痕迹去除模型是由第一训练集训练生成对抗网络得到的;将痕迹去除图像输入车道线特征提取模型得到车道线像素点和车道线高维特征;车道线特征提取模型是由第二训练集训练卷积神经网络模型得到的;卷积神经网络模型包括编码器、语义分割支路和实例分割支路;实例分割支路包括第一卷积层、激励层和第二卷积层;采用聚类算法根据车道线高维特征对车道线像素点聚类得到车道线实例;对车道线实例分段拟合得到目标图像的车道线。本发明能在雨雪天气下准确检测车道线位置且适用于车道线数量未知的场景。
-
-
-
-