-
公开(公告)号：CN116205266A
公开(公告)日：2023-06-02
申请号：CN202210189434.5
申请日：2022-02-28
Applicant: 复旦大学
IPC: G06N3/0455 , G06N3/0464 , G06N3/084 , B07C5/36
Abstract: 本发明涉及一种机器人小样本分拣方法，该方法包括：构建融合识别和抓取的端到端的机器人小样本分拣网络；根据元学习的方法，训练机器人小样本分拣网络使机器人适应不同的分拣任务。与现有技术相比，本发明少样本分拣元学习框架，赋予了机器人快速学习分拣训练集中没出现过的物体的能力，不仅是分拣目标物体，本发明还让机器人学会按照示范抓取时的抓取部位来抓取目标物体，同时，每次遇到新物体，只需给机器人一次分拣示范，机器人就会马上学会用合适的抓取姿势去抓取目标物体的目标部位，以此达到鲁棒和安全地分拣的目的。
-
公开(公告)号：CN112509392B
公开(公告)日：2022-11-29
申请号：CN202011483927.7
申请日：2020-12-16
Applicant: 复旦大学
Abstract: 本发明提供一种基于元学习的机器人行为示教方法，其特征在于：获取示教视频；利用训练好的神经网络模型对示教视频学习。其中，神经网络模型的训练过程包括如下步骤：采集训练内容；预处理训练内容得到预处理对比视频、预处理示教视频以及预处理运动视频；构建初始神经网络模型；将预处理示教视频作为输入，得到演示动作并计算演示动作损失；根据演示动作损失更新初始神经网络模型得到更新模型；将预处理运动视频以及轨迹动作作为输入得到预测轨迹动作、演示语义、运动语义以及对比语义，并计算目标动作损失以及语义损失进而构建总损失；基于总损失对更新后模型进行更新；直到总损失稳定收敛到总损失阈值，从而得到训练好的神经网络模型。
-
Patent Agency Ranking
公开(公告)号：CN111746207A
公开(公告)日：2020-10-09
申请号：CN202010531060.1
申请日：2020-06-11
Applicant: 复旦大学
IPC: B60F5/02 , B62D57/032 , B64C27/08 , B64D27/24 , B64D47/00
Abstract: 本发明涉及一种两栖机器人，包括飞行机器人本体组件，所述飞行机器人本体组件的底部与地面机器人本体组件的顶部固定连接，所述飞行机器人本体组件包括飞行机器人机架，所述飞行机器人机架为镂空结构，其内部内置有相互连接的电源组件和控制器单元，所述飞行机器人机架上一端还设有GPS定位组件，所述地面机器人本体组件包括地面机器人机架，所述地面机器人机架内部设有视频吊舱，所述GPS定位组件和所述视频吊舱均与所述控制器单元相连接。与现有技术相比，本发明具有高效快速的空中作业能力，应对复杂地形的地面作业能力和高速地面运动能力等优点。
-
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。
-
公开(公告)号：CN112509392A
公开(公告)日：2021-03-16
申请号：CN202011483927.7
申请日：2020-12-16
Applicant: 复旦大学
Abstract: 本发明提供一种基于元学习的机器人行为示教方法，其特征在于：获取示教视频；利用训练好的神经网络模型对示教视频学习。其中，神经网络模型的训练过程包括如下步骤：采集训练内容；预处理训练内容得到预处理对比视频、预处理示教视频以及预处理运动视频；构建初始神经网络模型；将预处理示教视频作为输入，得到演示动作并计算演示动作损失；根据演示动作损失更新初始神经网络模型得到更新模型；将预处理运动视频以及轨迹动作作为输入得到预测轨迹动作、演示语义、运动语义以及对比语义，并计算目标动作损失以及语义损失进而构建总损失；基于总损失对更新后模型进行更新；直到总损失稳定收敛到总损失阈值，从而得到训练好的神经网络模型。
-
公开(公告)号：CN114863160A
公开(公告)日：2022-08-05
申请号：CN202210187223.8
申请日：2022-02-28
Applicant: 复旦大学
IPC: G06V10/764 , G06V10/82 , G06K9/62 , G06N3/08 , G06N3/04
Abstract: 本发明涉及一种用于机器人分拣的自监督小样本实例分割方法，该方法包括：构建小样本实例分割网络，该网络为基于SOLO的神经网络模型；采用自监督策略对小样本实例分割网络进行训练。与现有技术相比，本发明提出了实时的端到端小样本实例分割框架，在增加很少的GPU使用内存的前提下实现了小样本多目标分割的目标，大大地提高了机器人的分拣速度，同时借鉴了对比学习的方法并充分利用了分拣背景的优势，提出了一个不需要标注数据的自监督训练策略，不仅极大地节省了宝贵的标注资源，还使得数据的扩充变得简单。
-
-
-
-
-
-
Search Results
7
records
(took 0.021 seconds)
