-
公开(公告)号：CN119033387A
公开(公告)日：2024-11-29
申请号：CN202411460789.9
申请日：2024-10-18
Applicant: 哈尔滨理工大学
IPC: A61B5/374 , A61B5/00 , G06F18/213 , G06N3/0464 , G06N3/08
Abstract: 本发明属于癫痫发作预测技术领域，公开了一种基于全局上下文感知生成网络的癫痫发作预测方法，包括：获取癫痫发作前期和间期的脑电信号；对脑电信号滤波和时间窗分割，得到时间窗信号片段；构建全局上下文感知生成网络，对时间窗信号片段进行全局依赖关系捕获与上下文信息整合，得到合成信号片段；构建多尺度时频特征深度卷积癫痫发作预测模型，对数据增强样本进行多尺度时频分析，深入挖掘癫痫脑电的关键特征。本发明采用上述一种基于全局上下文感知生成网络的癫痫发作预测方法，克服发作状态持续差异性的问题，保证脑电数据样本空间丰富性，提高预测精度，为癫痫发作预测领域提供新的思路和技术手段。
-
公开(公告)号：CN117421384B
公开(公告)日：2024-09-17
申请号：CN202311384144.7
申请日：2023-10-24
Applicant: 哈尔滨理工大学
Abstract: 基于共视投影匹配的视觉惯性SLAM系统滑窗优化方法，涉及SLAM技术领域。本发明是为了解决现有视觉惯性SLAM系统后端的滑动窗口优化方法精度低的问题。本发明在不改变滑动窗口优化快速性的前提下，通过共视投影匹配关系改进滑动窗口优化方法，消除了“影子”地图点，提高了地图点精度；增加了关键帧成功匹配地图点的数量，扩大了关键帧的观测视野，新增了SLAM系统的视觉观测约束，从而提高了滑动窗口优化估计位姿的精度，进而提高了移动机器人的定位精度。
-
公开(公告)号：CN118456197A
公开(公告)日：2024-08-09
申请号：CN202410602091.X
申请日：2024-05-15
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了一种基于视觉引导的复合材料三通管件打磨系统，包括可旋转的主轴、包含力传感器的打磨装置、深度相机、打磨机器人、上位机，具体包含以下步骤：打磨机器人携带深度相机自动寻找图像采集最优位姿，安装在打磨机器人上的深度相机采集固定在主轴上的复合材料三通管件的图像信息并发送至上位机，上位机通过YOLOv8‑CGF视觉识别算法处理图像信息并计算管件中心点坐标、位姿，控制打磨机器人带动包含力传感器的打磨装置按照设计的打磨方法对复合材料三通管件进行打磨。本发明实现了不同尺寸的复合材料三通管件的精确定位和表面自动打磨，相较于人工打磨，打磨效果更好，更加稳定，可以有效提高打磨的效率和质量。
-
公开(公告)号：CN118409596A
公开(公告)日：2024-07-30
申请号：CN202410641516.8
申请日：2024-05-22
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及一种有人驾驶的足式移动平台人机路径优选及协同方法，本发明通过人机协同的方式，采取足式移动平台路径规划和驾驶员路径规划相融合的方法，在保证全局路径最优的前提下，消除了足式移动平台路径与驾驶员路径选择时可能存在的冲突，解决了传统路径规划方法考虑因素有限的问题。本发明技术要点为：在已知地图基础上，利用路径规划算法得到足式移动平台路径；驾驶员通过外置设备绘制驾驶员路径；利用博弈理论将足式移动平台、驾驶员规划路径实时融合；通过路径评估函数实时评估路径，针对不可通过的局部路径，利用混合RRT‑APF算法进行局部路径重规划，直至足式移动平台抵达目标点完成任务。
-
公开(公告)号：CN118331276A
公开(公告)日：2024-07-12
申请号：CN202410530951.3
申请日：2024-04-29
Applicant: 哈尔滨理工大学
Abstract: 本发明属于移动作业机器人操控技术领域。本发明公开了一种移动作业机器人人机指令融合方法，解决了移动作业机器人执行任务过程中操作者和机器人的指令融合的问题。本发明所述的一种移动作业机器人人机指令融合方法，当移动作业机器人执行目标任务的过程中，其运行轨迹不满足人类的预期时，操作者会进行指令干预，移动作业机器人的稳定裕度、碰撞几率会改变收益函数的权重占比，从而动态调节人机指令融合的权重分配。本发明能够求解出操作者与机器人操控指令的最佳组合，有效的提高移动作业机器人面对不同介入指令时的适应性。
-
Patent Agency Ranking
公开(公告)号：CN118322197A
公开(公告)日：2024-07-12
申请号：CN202410479073.7
申请日：2024-04-21
Applicant: 哈尔滨理工大学
IPC: B25J9/16
Abstract: 本发明提出了一种基于模型解空间快速自收敛的机械臂智能抓取方法，旨在解决现有深度强化学习算法训练机械臂执行智能抓取任务时模型解空间维度过高导致的最优解丢失、模型收敛速度慢等技术问题。该方法首先采用改进YOLOv8网络结合GraspNet端到端抓取网络实现对指定物体的检测识别和6D抓取位姿估计。接下来，设计基于位姿的离散型奖励函数以适应高精度抓取任务，同时设计基于位姿‑能量约束的密集型非线性奖励函数，在保证低能耗的前提下降低机械臂在高维解空间下探索导致的抖动使深度强化学习DDPG模型快速收敛到最优解。然后，提出一种新型的深度强化学习算法R‑DDPG并在仿真环境中训练R‑DDPG算法，利用RRT算法的专家经验对DDPG算法训练前期的探索过程进行引导，解决DDPG算法训练初期面临高维度解空间时探索效率较低的问题，提高模型收敛速度。最后，将训练好的R‑DDPG模型迁移到实物机械臂上并结合视觉模块输出的抓取位姿信息进行抓取操作。
-
公开(公告)号：CN117151590B
公开(公告)日：2024-06-25
申请号：CN202311176961.3
申请日：2023-09-13
Applicant: 哈尔滨理工大学
IPC: G06Q10/087 , G06Q10/0835
Abstract: 本发明针对传统时间窗优化容易造成运行路径节点堵塞，影响整个仓储任务执行的效率问题，公开了基于平移时间窗和任务路径规划的AGV调度方法，具体包括：在运输系统的地图中设定关键节点、出入站点信息，建立与车间实物相同运输线路的网格路径地图，初始化系统信息并更新网格地图，对任务优先级进行排序，搜索AGV最短路径并检测是否存在时间窗冲突，当存在时间窗冲突时，任务优先级更高AGV优先通过，并将冲突栅格点删除重新进行时间窗规划，再与停车等待成本进行比较选取最优结果。仿真结果表明，本发明提出基于平移时间窗和任务路径规划的AGV调度方法，克服了传统时间窗算法在存在时间窗冲突时容易造成运行路径堵塞的问题，AGV路径规划效率高。
-
公开(公告)号：CN117168483B
公开(公告)日：2024-05-14
申请号：CN202311127747.9
申请日：2023-09-01
Applicant: 哈尔滨理工大学
IPC: G01C21/34
Abstract: 本发明涉及一种考虑地图复杂度的无人车路径规划方法，旨在解决传统方法在路径搜索中存在搜索效率低、节点冗余以及目标点附近碎片化路径过多等问题。本方法包括：在栅格地图中进行随机撒点，获取全地图有效节点的个数，计算地图复杂度；在以最近节点为圆心的一定范围内进行随机撒点，得到区域复杂度，通过区域复杂度选择节点产生方式，解决传统方法在搜索中易陷入僵化的问题，提高搜索效率；引入目标距离和目标迭代次数，进行新节点与目标节点的无碰撞检测和距离判断，减少了节点的数量和碎片化路径；最后对路径进行逆向寻优和B样条曲线拟合，使得路径平滑。仿真结果表明，本发明在障碍物较多的情况下表现良好，且路径平滑。
-
公开(公告)号：CN117170382B
公开(公告)日：2024-04-26
申请号：CN202311310809.X
申请日：2023-10-11
Applicant: 哈尔滨理工大学
IPC: G05D1/43 , G05D109/30
Abstract: 本发明提供一种适用于同向点位跟踪的双无人船协同控制方法，包括：建立领航‑跟随无人船位置协同编队控制模型，设定期望纵向距离及方位角；基于编队协同控制模型及领航船的实时位置，对跟随船建立距离及方位角的协同动态方程；基于协同动态方程，并考虑推进器约束限制，引入障碍李亚普诺夫函数，推导跟随船的实时期望速度及偏航角；并利用非线性扰动观测器观测跟随船的集合扰动；为了使跟随船在环境扰动下能够领航船保持期望距距离及方位角，引入深度强化学习双Deep Q‑Network(DQN)网络，依据跟随船的实时状态，控制其纵向推力力矩及艏向角力矩；相比传统控制方法，本发明的技术方案能够根据跟随船实时状态快速，准确地控制其与领航船保持期望纵向距离及方位角。
-
公开(公告)号：CN117873078A
公开(公告)日：2024-04-12
申请号：CN202311838227.9
申请日：2023-12-28
Applicant: 哈尔滨理工大学
IPC: G05D1/43 , G05D109/30
Abstract: 一种基于人工势函数的无人水面船编队容错控制方法，涉及智能船舶运动控制技术领域。本发明是为了解决无人水面船编队系统产生故障时会影响编队稳定性的问题。本发明构建参与USVi的运动学和动力学模型，进而构建出USVi的状态方程；利用USVi的状态方程构建分布式故障状态观测器，并利用该观测器观测USVi的状态估计值和执行器故障估计值；基于状态估计值和执行器故障估计构建全局估计误差模型；构建无人水面船编队的合势能函数，并利用该合势能函数构建全局跟踪误差；利用全局跟踪误差构建积分滑模面，并基于积分滑模面和全局估计误差模型构建USVi的主动容错控制器；利用USVi的主动容错控制器计算获得USVi的控制输入量对无人水面船编队进行容错控制。
-
-
-
-
-
-
-
-
-
Search Results
221
records
(took 0.028 seconds)
