-
公开(公告)号：CN119148692A
公开(公告)日：2024-12-17
申请号：CN202310691961.0
申请日：2023-06-12
Applicant: 复旦大学
Abstract: 本发明涉及一种基于强化学习的分布式多机器人系统移动控制方法，包括以下步骤：分别实时获取多机器人系统中各机器人的周围环境信息；将机器人的周围环境信息以及机器人对应的设定目标点信息输入预先构建的路径预测循环网络中，得到各机器人对应的多个预测路径点；根据各机器人对应的多个预测路径点，确定出各机器人对应的完整预测路径；基于各机器人对应的完整预测路径，相应控制各机器人按照对应的完整预测路径发生移动。与现有技术相比，本发明能够循环快速地产生准确的预测路径，并相应控制多机器人实现精准避障移动，确保多机器人系统中各机器人均能够在动态环境下避开周围所有障碍物后移动至对应目标点。
-
公开(公告)号：CN114881240B
公开(公告)日：2023-09-26
申请号：CN202210189441.5
申请日：2022-02-28
Applicant: 复旦大学
Abstract: 本发明涉及一种基于多注意力机制的机器人视觉示教学习模型及方法，该模型包括：图像特征预处理模块：包括若干级联的卷积层，用于提取图像的底层特征；卷积头模块：包括多个级联的卷积头，用于提取得到不同层次的特征图；域自适应模块：对不同层次的特征图进行计算构造多注意力内部损失，所述的多注意力内部损失用于自适应更新模型的策略参数；机器人动作预测模块：对不同层次的特征图进行残差连接后预测输出机器人动作。与现有技术相比，本发明通过提取不同层次的神经网络信息来学习机器人视觉任务，可以有效地增强模型的认知识别能力和任务适应能力。
-
公开(公告)号：CN114881240A
公开(公告)日：2022-08-09
申请号：CN202210189441.5
申请日：2022-02-28
Applicant: 复旦大学
Abstract: 本发明涉及一种基于多注意力机制的机器人视觉示教学习模型及方法，该模型包括：图像特征预处理模块：包括若干级联的卷积层，用于提取图像的底层特征；卷积头模块：包括多个级联的卷积头，用于提取得到不同层次的特征图；域自适应模块：对不同层次的特征图进行计算构造多注意力内部损失，所述的多注意力内部损失用于自适应更新模型的策略参数；机器人动作预测模块：对不同层次的特征图进行残差连接后预测输出机器人动作。与现有技术相比，本发明通过提取不同层次的神经网络信息来学习机器人视觉任务，可以有效地增强模型的认知识别能力和任务适应能力。
-
-
Search Results
3
records
(took 0.019 seconds)
