-
公开(公告)号：CN117852613A
公开(公告)日：2024-04-09
申请号：CN202311671924.X
申请日：2023-12-07
Applicant: 北京大学
IPC: G06N3/0895 , G06N5/04
Abstract: 本发明公开了一种基于具身自监督学习的机器人手臂反模型学习方法，该方法包括：获取机器人手臂末端的预测位置p(t)；基于反模型推理出机器人手臂末端到达该预测位置p(t)所需的关节角度q(t)；基于正模型预测出该关节角度q(t)所对应的末端位置p(t+1)；基于反模型推理出机器人手臂末端到达该预测位置p(t+1)所需的关节角度q′(t)后，将关节角度q(t)作为关节角度q′(t)的监督信息，并使用梯度下降法更新所述反模型的参数；重复上述步骤，直至关节角度q(t)与关节角度q′(t)之差小于一设定值时，得到训练好的反模型。本发明通过利用机器人手臂自身构型及状态来协调数据的采样和模型的训练过程，当机器人手臂发生变化时，模型能够很快地进行适应。
-
公开(公告)号：CN116038708B
公开(公告)日：2024-10-29
申请号：CN202310045314.2
申请日：2023-01-30
Applicant: 北京大学
IPC: B25J9/16
Abstract: 本发明公开了一种基于内部预演的机械手臂趋近规划方法及装置，所述方法包括：定义目标位姿附近的采样点集合，所述采样点集合中的任一点与所述目标位姿的距离小于设定值；快速移动机器手臂，且当机械手臂末端的附近位姿点进入所述采样点集合的情况下，停止所述机器手臂的快速移动；对机器手臂的后续移动轨迹进行内部预演，以得到所述机器手臂中各关节的角变化向量；基于所述各关节的角变化向量，将所述机器手臂的末端移动至所述目标位姿。本发明可以有效提高机械臂在趋近过程中的位置、姿态准确度以及减少实体机械臂在空间中采样的次数。
-
Patent Agency Ranking
-
公开(公告)号：CN116038708A
公开(公告)日：2023-05-02
申请号：CN202310045314.2
申请日：2023-01-30
Applicant: 北京大学
IPC: B25J9/16
Abstract: 本发明公开了一种基于内部预演的机械手臂趋近规划方法及装置，所述方法包括：定义目标位姿附近的采样点集合，所述采样点集合中的任一点与所述目标位姿的距离小于设定值；快速移动机器手臂，且当机械手臂末端的附近位姿点进入所述采样点集合的情况下，停止所述机器手臂的快速移动；对机器手臂的后续移动轨迹进行内部预演，以得到所述机器手臂中各关节的角变化向量；基于所述各关节的角变化向量，将所述机器手臂的末端移动至所述目标位姿。本发明可以有效提高机械臂在趋近过程中的位置、姿态准确度以及减少实体机械臂在空间中采样的次数。
-
公开(公告)号：CN116175562A
公开(公告)日：2023-05-30
申请号：CN202310045310.4
申请日：2023-01-30
Applicant: 北京大学
IPC: B25J9/16
Abstract: 本发明公开了一种结合双机械臂可抓握性的接触点选择方法及装置，所述方法包括根据双机械臂的末端夹爪宽度，对目标操作区域网格化；结合网格中机械臂B的可抓握性和机械臂A的当前抓握点位置，更新机械臂B的价值函数VB与最终价值函数并基于价值函数VB,计算械臂B更新后的抓握点位置；结合网格中机械臂A的可抓握性和机械臂B的更新后的抓握点位置，更新机械臂A的价值函数VA与最终价值函数并基于价值函数VA，计算机械臂A更新后的抓握点位置；基于价值函数VA、最终价值函数价值函数VB与最终价值函数判断机械臂A和机械臂B更新后的抓握点位置是否为最优位置。本发明可以发挥出双臂的优势，从而更省力地转动阀门。
-
公开(公告)号：CN117829247A
公开(公告)日：2024-04-05
申请号：CN202311674898.6
申请日：2023-12-07
Applicant: 北京大学
IPC: G06N3/0895 , G06N3/0455 , G06N3/084 , G06N5/04 , G06N3/048
Abstract: 本发明公开了一种基于条件具身自监督学习的机器人手臂多解学习方法，该方法包括：获取机器人手臂末端的预测位置p(t)，并从高斯分布#imgabs0#中采样一个隐变量z(t)；将预测位置p(t)和隐变量z(t)输入到反模型，得到机器人手臂末端到达该预测位置p(t)所需的关节角度q(t)；基于正模型预测出该关节角度q(t)所对应的预测位置p(t+1)；将预测位置p(t+1)和隐变量z(t)输入到反模型，得到机器人手臂末端到达该预测位置p(t+1)所需的关节角度q′(t)后，将关节角度q(t)作为关节角度q′(t)的监督信息，并使用梯度下降法更新所述反模型的参数；重复上述步骤，直至关节角度q(t)与关节角度q′(t)之差小于一设定值时，得到训练好的反模型。本发明不仅使得机器人手臂的多解模型具有高精度，而且还能自主获取多解数据。
-
-
-
-
-
Search Results
7
records
(took 0.019 seconds)
