-
公开(公告)号：CN107067452A
公开(公告)日：2017-08-18
申请号：CN201710089850.7
申请日：2017-02-20
Applicant: 同济大学
CPC classification number: G06N3/084 , G06T15/00 , G06T2200/04
Abstract: 本发明涉及一种基于全卷积神经网络的电影2D转3D方法，该方法包括如下步骤：(1)提取拍摄的电影2D视频中的每一帧2D图像；(2)对每一帧2D图像分别采用全卷积神经网络提取特征值并计算深度值；(3)对每一帧2D图像分别根据其深度值进行着色生成对应的3D图像；(4)将所有3D图像依次整合形成3D电影。与现有技术相比，本发明场景适应性强，深度估计质量高，计算快速，能够高效地用于各种场景下的电影2D转3D。
-
公开(公告)号：CN106251303A
公开(公告)日：2016-12-21
申请号：CN201610603133.7
申请日：2016-07-28
Applicant: 同济大学
CPC classification number: G06T5/002 , G06N3/084 , G06T2207/20182
Abstract: 本发明涉及使用深度全卷积编码-解码网络的图像降噪方法，该方法采用神经网络模型进行图像降噪，所述模型的输入为带噪声图像，输出为降噪后的图像，其特征在于，所述的模型采用对称的编码-解码网络结构，包括依次连接的N个卷积层和N个解卷积层，其中第i个卷积层与第N+1-i个解卷积层为对称关系，i＝1,2…N，卷积层作为特征提取器，用于对图像的主要内容进行编码并消减噪声，解卷积层用于对图像的抽象内容进行解码并对图像的细节内容进行恢复。与现有技术相比，本发明在对图像的主要内容进行编码的过程中同时消减噪声，之后，解卷积层用于对图像的抽象内容进行解码并对图像的细节内容进行恢复，可最大程度保留图像的细节内容。
-
公开(公告)号：CN114170454B
公开(公告)日：2025-04-04
申请号：CN202111303088.0
申请日：2021-11-04
Applicant: 同济大学
IPC: G06V10/762 , G06V10/74 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/092
Abstract: 一种基于关节分组策略的智能体元动作学习方法，用于机器人自动控制，通过关节分组和元动作的时空融合来控制机器人快速学会新任务，从而避免了花费大量时间进行从头训练。提出了一个信息论目标来优化强化学习算法训练机器人，从而学会一系列多样的元动作策略；基于动态时间规整算法进行关节之间的轨迹相似性计算，进而基于层次聚类算法实现机器人关节的分组；根据关节组对应掩码得到不同关节组的元动作控制策略；构建层次结构的机器人总控制策略网络，通过线性组合各个关节组元动作策略的权重，实现在时间层面和空间层面上的元动作融合，从而能够快速学会新任务；同时，增强机器人动作的协调性和连贯性，在新任务上能够达到更好的表现。
-
公开(公告)号：CN116749215A
公开(公告)日：2023-09-15
申请号：CN202310924734.8
申请日：2023-07-26
Applicant: 同济大学
IPC: B25J13/00
Abstract: 本发明公开了一种基于模仿学习的服务机器人指定物体抓取算法，包括：通过一个动作识别网络来判断机器人所做的动作是否是专家示范的抓取动作；一个物体识别网络，用来分辨机器人抓取的物体是否是指定目标物体。此方法的输入为RGB图像与抓取目标，无需再将机械臂关节角，待抓取物体的位置等信息从图像中提取出来，输出为机械臂控制动作。此方法首先从专家提供的序列抓取图像中学习一个抓取动作识别网络，该网络可以辨别机器人当前的序列动作是否是在抓取物体。此外还有一个物体识别网络，用来分辨机器人抓取的物体是否是指定目标物体。根据本发明，服务机器人可以更加快速和鲁棒地学会在复杂非结构化场景中抓取指定物体。
-
公开(公告)号：CN111105439B
公开(公告)日：2023-05-02
申请号：CN201911190243.5
申请日：2019-11-28
Applicant: 同济大学
IPC: G06T7/246 , G06T7/73 , G06T7/80 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种使用残差注意力机制网络的同步定位与建图方法，包括以下步骤：步骤1：对神经网络进行训练；步骤2：将一组图片输入神经网络，获得每张图片对应的RGB图和特征权重图；步骤3：对RGB图进行改进FAST角点检测；步骤4：选择最终的特征点；步骤5：匹配特征点，对极约束求解相机初始化运动；步骤6：求解局部的相机运动；步骤7：进行图像之间的回环检测，得到相机的精准轨迹；步骤8：进行稠密重建，获得环境地图。与现有技术相比，本发明具有特征点更容易被人理解、重要区域可通过颜色和亮度突出显示等优点。
-
Patent Agency Ranking
公开(公告)号：CN113031437B
公开(公告)日：2022-10-25
申请号：CN202110217090.X
申请日：2021-02-26
Applicant: 同济大学
IPC: G05B13/04
Abstract: 本发明涉及一种基于动态模型强化学习的倒水服务机器人控制方法，包括：步骤1：基于深度相机获取三维空间的视觉信息；步骤2：利用深度神经网络完成对机器人、源容器和目标容器的识别，同时获得源容器、目标容器之间的相对位置信息、液体类型以及液位高度信息，完成状态信息的获取；步骤3：根据步骤2获取的信息建立动态模型模拟当前环境，并利用动态模型对策略网络进行训练；步骤4：待策略网络收敛后，将机器人的位姿信息和状态信息输入至策略网络，输出机器人动作策略；步骤5：使用步骤4预测出的机器人动作策略驱动机器人完成倒水动作。与现有技术相比，本发明具有对环境的泛化适应能力强、部署复杂度低等优点。
-
公开(公告)号：CN115070753A
公开(公告)日：2022-09-20
申请号：CN202210469373.8
申请日：2022-04-28
Applicant: 同济大学
IPC: B25J9/16 , G06F17/16 , G06V10/774
Abstract: 本发明涉及一种基于无监督图像编辑的多目标强化学习方法，包括：获取关于机器人控制场景的多目标任务数据集；训练对抗生成网络和特征空间编码器，将图像中与任务高度相关与不相关的因素进行解耦；对每个子空间对应全连接层的权重进行奇异值分解，获得贡献最大的若干个特征向量作为有语义信息的可编辑方向，并训练可编辑方向编码器来识别出可编辑方向的类别和尺度；基于可编辑方向编码器的输出得到图像的可编辑表征空间，作为控制策略网络的输入以及奖励函数的计算，同时通过在可编辑表征空间中可控地采样出各种目标任务来训练机器人，最终得到可完成多个目标的控制策略。与现有技术相比，本发明具有能够无监督解耦开任务相关因素、提升样本效率和泛化性能等优点。
-
公开(公告)号：CN112975968B
公开(公告)日：2022-06-28
申请号：CN202110218017.4
申请日：2021-02-26
Applicant: 同济大学
IPC: B25J9/16
Abstract: 本发明涉及一种基于第三视角可变主体演示视频的机械臂模仿学习方法，包括：从演示视频中获取演示样本，并定义演示视频视角为第三视角；获取由观察图像序列组成的样本，并定义该图像视角为第一视角；对演示样本进行从第三视角到第一视角的转换；获取示范主体特征向量和对应姿态下机械臂的特征向量，并对其进行对齐操作；预测机械臂下一帧图像的特征向量；搭建机械臂逆动力学运动控制网络，将机械臂相邻帧的图像输入到控制网络中，输出机械臂的控制信号；重复执行上述步骤，直至机械臂完成演示视频中的所有动作。与现有技术相比，本发明具有在演示视频的示范主体为非机械臂的条件下，使机械臂能够实现模仿学习的优点。
-
公开(公告)号：CN112809689B
公开(公告)日：2022-06-14
申请号：CN202110217079.3
申请日：2021-02-26
Applicant: 同济大学
Abstract: 本发明涉及一种基于语言引导的机械臂动作元模仿学习方法及存储介质，元模仿学习方法包括：基于采样控制策略引导机械臂创建示教数据；构建语言提示函数，根据当前子目标输出提示语言，引导机械臂修正当前动作；使用深度神经网络构建机械臂控制网络，基于元模仿学习的学习范式，训练控制网络自主学习自然语言指令中的关键字语义信息和像素空间的对应关系，并在测试中能够通过人的语言提示来快速适应新的任务目标和应用场景，实现更精准的机械臂动作预测。与现有技术相比，本发明具有部署复杂度低、任务完成精度高等优点。
-
公开(公告)号：CN113031437A
公开(公告)日：2021-06-25
申请号：CN202110217090.X
申请日：2021-02-26
Applicant: 同济大学
IPC: G05B13/04
Abstract: 本发明涉及一种基于动态模型强化学习的倒水服务机器人控制方法，包括：步骤1：基于深度相机获取三维空间的视觉信息；步骤2：利用深度神经网络完成对机器人、源容器和目标容器的识别，同时获得源容器、目标容器之间的相对位置信息、液体类型以及液位高度信息，完成状态信息的获取；步骤3：根据步骤2获取的信息建立动态模型模拟当前环境，并利用动态模型对策略网络进行训练；步骤4：待策略网络收敛后，将机器人的位姿信息和状态信息输入至策略网络，输出机器人动作策略；步骤5：使用步骤4预测出的机器人动作策略驱动机器人完成倒水动作。与现有技术相比，本发明具有对环境的泛化适应能力强、部署复杂度低等优点。
-
-
-
-
-
-
-
-
-
Search Results
61
records
(took 0.017 seconds)
