【摘 要】
：
柔性驱动器能够感知外界环境（电、光、湿度、磁等）刺激,将外部能量转换成机械能,产生特定的机械响应,具有结构简单、环境适应性强、性能稳定等优点,可广泛应用于软体机器人、人工肌肉、智能设备、医疗健康等领域。目前,多数柔性驱动器制备过程繁杂,可响应的外部刺激源单一,力学性能差。本文针对上述不足,选择合适的柔性智能材料,并结合其特点设计具有多刺激源响应的柔性驱动器,并产生快速大变形,实现良好的机械性能输出
论文部分内容阅读
柔性驱动器能够感知外界环境（电、光、湿度、磁等）刺激,将外部能量转换成机械能,产生特定的机械响应,具有结构简单、环境适应性强、性能稳定等优点,可广泛应用于软体机器人、人工肌肉、智能设备、医疗健康等领域。目前,多数柔性驱动器制备过程繁杂,可响应的外部刺激源单一,力学性能差。本文针对上述不足,选择合适的柔性智能材料,并结合其特点设计具有多刺激源响应的柔性驱动器,并产生快速大变形,实现良好的机械性能输出。首先研究了碳纳米管聚合物复合材料/石墨烯双层薄膜驱动器的制备、电致变形和光致变形性能,设计了驱动器的仿生应用。通过滴涂法和还原法制备石墨烯薄膜（rGO）,利用刮涂法制备具有各向异性的碳纳米管和聚合物复合薄膜（CNT-PDMS）,实验发现该复合薄膜的电学性能以及力学性能均表现出良好的各向异性。利用聚丙烯酸酯将rGO薄膜与CNT-PDMS薄膜进行复合,制备了CNT-PDMS/rGO双层薄膜驱动器。该驱动器可以在电/光刺激下产生弯曲变形以及输出大的驱动力。其良好的驱动性能归因于CNT/rGO的光热转换性能以及rGO优异的的导电性能、聚合物的热膨胀性能以及双层结构特征。通过对驱动器的变形性能以及力学性能的分析,设计仿生“鹰爪”、仿生花、智能窗户以及模仿海鸥的扑翼运动。其次,以聚乙烯（PE）和银纳米颗粒（Ag NPs）为原材料制备双刺激响应柔性驱动器。通过在PE薄膜表面印刷Ag NPs制备Ag NPs/PE双层薄膜驱动器,并探究其电致变形以及光致变形的性能。该驱动器可以在电/光刺激下快速产生大的弯曲变形（变形角度变化>400°）,并伴随振荡运动。其优异的驱动性能以及振荡运动的产生归因于Ag NPs的导电性、光热转化性能、表面等离子体共振特性以及PE薄膜的热膨胀特性。利用Ag NPs/PE双层薄膜驱动器快速大变形的优点设计了爬行机器人。该驱动器实现了在低电压和低温度变化刺激下的可控大变形。
其他文献
我国应急管理体系建设时间尚短,应急管理基础支撑技术发展还比较薄弱,防范化解重大风险、高效应对重特大自然灾害仍然面临巨大的挑战。以“大智移云”为特征的新一代信息技术的快速发展,给应急管理的信息化、智能化和科学化提供了新的机遇和挑战。为此,应急管理部在《应急管理信息化发展战略规划框架（2018-2022年）》中明确提出,要利用大数据、人工智能、机器学习等新一代信息技术提高我国重特大自然灾害风险感知、监
拉曼光谱以其独特的分子光谱特性常被用于医疗、环保、安防、质检等多个领域。随着激光技术和制造业技术的发展,拉曼光谱技术越来越成熟,以该技术为基础的光谱仪也越来越多样化。为了满足户外实时检测、高温高压等特殊环境下的操作需求,手持式拉曼光谱仪应运而生。然而,目前已有的手持式拉曼光谱仪多存在有效信号微弱、应用范围窄、产品价格昂贵等不足,影响用户使用体验,因此本文意在研制一款成本较低、性能优良的高通量手持式
多智能体协作一直是人工智能的研究热点,有助于解决人类社会的许多问题。由于近些年来深度强化学习展现出的惊人决策能力,利用其解决多智能体协作问题成为热门,并诞生了多智能体深度强化学习这一研究方向。值分解是多智能体深度强化学习的主流方法,可以在环境平稳性和智能体拓展性之间取得平衡。但现有的一些值分解式方法没有充分利用历史轨迹进行学习,也忽视了智能体策略网络的重要性。因此,本文针对基于多智能体值分解深度强
人类视觉系统所拥有的一项非凡能力是:仅通过单个视图推理出物体的三维形状。即使在缺乏立体视觉或运动的几何提示情况下,人类视觉系统也能够推断出详细的表面或完整的隐藏细节。因此,理解图像的三维结构是许多计算机视觉应用的关键,三维图像比二维多出一维的信息,更能反映物体的细节纹理和空间位置信息,使得模型更加真实合理。在计算机视觉领域中,基于单视图的物体三维重建是一个长期存在且具有挑战性的研究问题,科研人员往
随着科学技术的发展和人工成本的不断增加,能够实现自动化装配、移载、分拣等功能的AGV（Automated Guided Vehicle）的发展和应用越来越受到行业的重视。路径跟踪控制技术作为AGV技术中重要的一环,其控制精度直接影响着整体任务的执行,与此同时,随着工作任务越来越复杂,对AGV的跟踪控制精度的要求也越来越高。但是,在AGV进行路径跟踪任务的过程中易受负载、外部干扰、系统参数摄动等干扰
高光谱图像分类是高光谱图像研究的一个重要分支。已经有很多研究人员提出了高精度的高光谱分类网络。但是这些网络需要占用相当多的处理资源和处理时间,限制了深度学习技术以及高光谱数据的应用和推广。轻量级网络在最近几年成为深度学习领域的一个新热点,然而现有的轻量级网络多为普通RGB图像处理所设计,并不适合处理高光谱图像。针对高光谱图像分类问题的轻量级网络进行研究,本文的主要工作有如下三个方面:1)本文从GP
大气偏振模式作为地球的自然属性,其中蕴含丰富的光学特性分布信息,并且大气偏振模式在天空中稳定存在,即使在复杂大气环境因素影响下,大气偏振模式仍然呈现出一系列的时空连续分布规律,因此其在自主导航、目标探测等领域具有广阔的应用前景。为了解决在大气偏振模式实测实验中有时会出现数据缺失或数据集断档的情况,本文设计一种基于序列信息的局部大气偏振模式信息重构网络,并通过仿真与实测偏振数据进行实验验证本文所提方
强化学习是人工智能的重要分支之一,近年来受到了广泛的关注与研究。强化学习以奖励为唯一的指导,利用不断试错的方式,使得智能体在与环境的频繁交互中逐渐学习到能够获得最大累计期望奖励的最优策略。但当奖励分布稀疏或奖励分配不均时,便会影响智能体的训练,造成智能体收敛速度缓慢和训练不足等问题,即稀疏奖励问题和信用分配问题。本文主要贡献如下:（1）针对稀疏奖励问题,提出了一种基于情感的异构多智能体强化学习奖励
室内人体定位与动作识别一直以来都是当代人工智能领域研究的热点之一,针对这两方面已有的研究成果非常多,但是从成本、实现复杂度和人体隐私等方面去考虑,现有的一些人体目标定位和动作识别算法存在使用的仪器昂贵、环境要求太高和容易泄露生活隐私等问题。本文针对上面的问题提出了利用人体运动时热释电红外传感器输出的模拟信号来对人体进行定位和动作识别。首先热释电红外传感器成本和功耗都低,其次它采集的信号是人体红外热
从上世纪60年代起,特征选择作为一种降低特征数量、去除冗余特征和噪声数据的降维技术,已被广泛地应用于机器学习和数据挖掘的各个领域。传统的特征选择方法通过计算特征与类别变量之间的相关性进行特征选择,但是传统的特征选择方法忽略了它们之间的因果关系。因果特征选择方法通过学习类别变量的局部贝叶斯网络（Bayesian network,BN）结构,即马尔科夫边界（Markov boundary,MB）,发现