一种两段式足端及双足机器人
    91.
    发明公开

    公开(公告)号:CN116176728A

    公开(公告)日:2023-05-30

    申请号:CN202310157158.9

    申请日:2023-02-23

    IPC分类号: B62D57/032

    摘要: 本发明公开了一种两段式足端,包括足部分和鞋部分,所述鞋部分采用一体成型的柔性材料并以鞋底的形式覆盖于所述足部分的底面,所述鞋部分的中间区域设置有凹槽,所述凹槽将所述鞋部分分隔为前段和后段,从而形成由所述鞋部分的凹槽模拟足弓、由所述鞋部分的前段和后段模拟前后脚掌的两段式足端结构;本发明还公开了一种使用上述两段式足端的双足机器人;本发明能够更好地模拟人类步态,同时还能够减小足端的体积和质量,由于不在足端上增加主动或被动关节,大大减少了足端的复杂度和机器人控制的难度,并降低成本。

    基于注意力机制的SAR图像多尺度舰船目标检测方法和装置

    公开(公告)号:CN115995041A

    公开(公告)日:2023-04-21

    申请号:CN202211728727.2

    申请日:2022-12-30

    摘要: 本发明提供一种基于注意力机制的SAR图像多尺度舰船目标检测方法和装置,属于图像检测领域,方法包括:获取待检测的SAR图像;将SAR图像输入到多尺度舰船检测模型中,得到多尺度舰船检测模型输出的目标检测结果;其中,多尺度舰船检测模型包括特征提取层、特征融合层和预测层,其核心部分包括空间和通道注意力模块,空间和通道注意力模块包括空间注意力模块和通道注意力模块,通道注意力模块对空间注意力模块输出的特征图进行处理。本发明基于空间注意力模块和通道注意力模块得到空间和通道注意力模块,能在复杂环境下同时提取多尺度舰船的空间信息、语义信息和抑制复杂背景干扰的上下文信息,降低漏检率和虚警率,提高多尺度舰船目标的检测精度。

    可形变物体抓取的方法、装置及计算机可读存储介质

    公开(公告)号:CN112809679B

    公开(公告)日:2023-04-07

    申请号:CN202110098485.2

    申请日:2021-01-25

    摘要: 本发明提供一种可形变物体抓取的方法、装置及计算机可读存储介质,方法包括:采用事件相机获取待抓取的可形变物体的视觉信息,对待抓取的可形变物体进行定位和三维重建;在三维重建的待抓取的可形变物体的表面得到抓取点集合;利用事件相机和触觉传感器在抓取点集合中每个抓取点抓取瞬间采集视触觉信息;将采集的视触觉信息输入训练好的抓取质量评价网络,判断抓取的预结果类别,结果类别包括发生滑动的抓取、稳定的抓取和过度的抓取;若结果类别为稳定的抓取,则对待抓取的可形变物体进行抓取操作;若结果为发生滑动的抓取或过度的抓取,则继续对抓取点集合中的抓取点进行抓取预尝试,直至找到结果类别为稳定的抓取的抓取点。

    基于触觉形状感知的柔性机械手及触觉形状感知装置

    公开(公告)号:CN113733128B

    公开(公告)日:2023-03-31

    申请号:CN202111072437.2

    申请日:2021-09-14

    IPC分类号: B25J13/08

    摘要: 一种基于触觉形状感知的柔性机械手及触觉形状感知装置,该柔性机械手包括弹性软囊和摄像机,弹性软囊内充有透明流体介质,表面均匀分布有角度感知靶标,角度感知靶标包括微透镜阵列和位于微透镜阵列下方的图案层,微透镜阵列中的微透镜和图案层中的图案对应地构成多个靶点,当弹性软囊接触到物体时,柔性薄膜变形,角度感知靶标中的靶点随之发生相应的角度变化,由此所带来的靶点图案的变化由摄像机拍摄捕捉,其中,根据靶点图案的变化确定靶点的角度变化,进而确定物体的形状,柔性机械手根据所确定的物体形状进行物体抓取。本发明为机械手提供了一种触觉形状感知反馈机制,尤其可以帮助机器人在视觉受限情况下建立对环境、被操作物的感知。

    一种洪灾变化检测方法、装置和存储介质

    公开(公告)号:CN115761504A

    公开(公告)日:2023-03-07

    申请号:CN202211475738.4

    申请日:2022-11-23

    摘要: 本申请提供一种洪灾变化检测方法、装置和存储介质,属于数据处理的技术领域。所述方法包括获取待检测地区的多源时序遥感图像序列,多源时序遥感图像序列包括多张光学遥感图像与多张雷达遥感图像;对多源时序遥感图像序列中的每个遥感图像进行预处理;根据预处理后的多源时序遥感图像序列,生成多源时序遥感图像序列中的每个遥感图像各自对应的洪灾检测结果;根据每个遥感图像各自对应的洪灾检测结果,利用多源时序遥感图像序列中遥感图像间的时序互补特性,通过时序增强算法生成待检测地区的多源时序遥感图像序列对应的洪灾变化检测结果。本申请旨在提高洪水变化检测结果的准确性。

    一种基于深度强化学习的机械臂主动容错控制方法

    公开(公告)号:CN113954069B

    公开(公告)日:2023-01-13

    申请号:CN202111243205.9

    申请日:2021-10-25

    IPC分类号: B25J9/16

    摘要: 一种基于深度强化学习的机械臂主动容错控制方法,包括:利用深度学习方法进行实时的故障检测,其中,将训练得到的基于数据的动力学模型作为名义模型来产生机械臂关节速度的残差信号,并根据残差信号进行故障检测和诊断;当发生单或多执行器突变故障时,通过诊断定位故障关节;针对发生故障的关节,基于深度强化学习的辅助控制器与系统控制器一起工作,输出补偿控制力矩以弥补关节性能损失;其中,机械臂的每一个关节配置有基于深度强化学习的辅助控制器,当发生故障时,辅助控制器与名义控制器并行工作,自主估计执行器的故障程度并输出补偿力矩。本发明在机械臂发生执行器突变故障时能够及时进行力矩补偿,实现平滑的主动容错控制。

    SAR图像与光学图像的配准方法、装置、设备和介质

    公开(公告)号:CN115239775A

    公开(公告)日:2022-10-25

    申请号:CN202210794922.9

    申请日:2022-07-07

    IPC分类号: G06T7/33 G06T7/11

    摘要: 本发明实施例提供了一种基于正负采样损失函数的SAR图像与光学图像的配准方法、装置、设备和介质,所述方法包括:获取待配准的SAR图像与待配准的光学图像;将所述待配准的SAR图像与所述待配准的光学图像输入目标网络,得到所述待配准的SAR图像与所述待配准的光学图像之间的热力图;将所述热力图上值最大的点所在位置,确定为所述待配准的SAR图像与光学图像的配准位置;所述目标网络的损失函数值仅通过增大正样本点的配准评分且减小负样本点的配准评分的方式减小。本发明实施例使得目标网络能够尽可能的增大正样本点的配准评分,减小负样本点的配准评分,来优化目标网络参数,从而提升配准的准确率。

    一种局部导航避障方法及机器人

    公开(公告)号:CN115167434A

    公开(公告)日:2022-10-11

    申请号:CN202210869565.8

    申请日:2022-07-21

    IPC分类号: G05D1/02

    摘要: 本发明公开了一种局部导航避障方法,包括以下步骤:S1:生成局部高程地图对机器人周围环境表面进行建模以及障碍物表示;S2:根据基于椭圆边界控制障碍函数的模型预测控制规划算法计算机器人的控制指令,进行实时导航避障。本发明基于椭圆边界控制障碍函数的模型预测控制规划算法的设置,可以使机器人的运动规划规避障碍物最小包围椭圆,极大的加快MPC局部避障规划的速度,解决机器人导航的实时性差,不利于机器人的局部实时避障的缺点,实现机器人实时导航避障,在非平坦地形上依旧可以为机器人提供高频率规划,适应性强。

    基于SAR图像超像素融合的CFAR目标检测方法、装置和设备

    公开(公告)号:CN115063590A

    公开(公告)日:2022-09-16

    申请号:CN202210797945.5

    申请日:2022-07-08

    IPC分类号: G06V10/26 G06V10/80

    摘要: 本发明提供了一种基于SAR图像超像素融合的CFAR目标检测方法、装置和设备。所述的方法包括:对SAR图像进行超像素分割,得到所述SAR图像的超像素集合;根据所述超像素集合中各个超像素各自的灰度均值,分离出海杂波超像素集合和候选目标超像素集合;对所述候选目标超像素集合中的至少部分候选目标超像素进行融合,得到融合后目标超像素集合;对所述融合后目标超像素集合中的每个融合后目标超像素进行CFAR目标检测,得到检测结果。本发明实施例对分割好的超像素引入融合操作,使超像素能够进行二次聚类,将待检测目标融合为一个整体,对其进行整体的目标检测处理。

    基于先验生成对抗网络的图像去雾方法及模型

    公开(公告)号:CN114998151A

    公开(公告)日:2022-09-02

    申请号:CN202210682052.6

    申请日:2022-06-15

    摘要: 本发明公开了基于先验生成对抗网络的图像去雾方法,包括:收集成对的有雾图像和无雾图像构建训练集;对训练集的图像进行预处理,获得四通道的图像,所述四通道包括R、G、B三通道以及滤波后保留有高频与低频信息的第四通道;取四通道有雾图像的浅层特征并进行下采样,得到深层特征;对深层特征进行上采样以获取重构上采样特征,上采样过程中通过跳跃连接将上采样之前的图像特征融入重构上采样特征,重构出四通道的去雾图像;根据图像生成器损失和辨别器损失在训练集上训练所述图像去雾模型;图像生成器损失包括有雾图像与去雾图像之间的重建损失,对抗损失,以及表征去雾图像与无雾图像在HSV空间的区别的先验损失。