-
公开(公告)号：CN109605377A
公开(公告)日：2019-04-12
申请号：CN201910052849.6
申请日：2019-01-21
Applicant: 厦门大学
IPC: B25J9/16
Abstract: 本发明公开了一种基于强化学习的机器人关节运动控制方法及系统。该方法包括：获取机器人末端的待运行轨迹；根据机器人末端的待运行轨迹以及机器人逆运动学模型计算机器人关节在每个插补周期的位置增量；根据策略网络确定机器人关节每个插补周期的位置增量补偿；每个插补周期的给定位置增量与位置增量补偿之和作为机器人关节的运动参数，输入机器人，得到机器人关节每个插补周期实际的运动量；根据给定位置增量和实际运动量，对价值网络进行实时训练更新；待运行轨迹运行完毕后，根据每个插补周期更新的价值网络的参数，对策略网络进行训练更新；采用更新后的策略网络调控下一待运行轨迹中机器人关节的运动。本发明具有误差小、效率高的特点。
-
公开(公告)号：CN108393892A
公开(公告)日：2018-08-14
申请号：CN201810178273.3
申请日：2018-03-05
Applicant: 厦门大学
IPC: B25J9/16
Abstract: 本发明涉及一种工业机器人前馈力矩补偿方法，包括以下步骤：S1：建立动作-价值神经网络；S2：生成训练轨迹；S3：根据当前时刻的状态，选择对应的动作，然后对所选动作的前馈力矩增量进行积分后输出到电机电流环前馈通路上，并获得当前时刻的立即回报和下一时刻的状态；S4：将当前时刻的状态、所选的前馈力矩增量和立即回报和下一时刻的状态作为神经网络的训练样本，将所述训练样本进行归一化后，存入队列中；S5：从队列中随机选择一部分训练样本，使用随机梯度下降法对动作-价值神经网络进行训练，直到达到最大训练次数或关节跟踪误差小于误差阈值。本发明无需建立复杂的动力学模型即可实现实时补偿工业机器人关节力矩，实现高精度的控制。
-
公开(公告)号：CN105787296B
公开(公告)日：2018-07-17
申请号：CN201610100159.X
申请日：2016-02-24
Applicant: 厦门大学
IPC: G06F19/22
Abstract: 一种宏基因组和宏转录组样本相异度的比较方法，涉及信息和生物技术。生成样本的tuple频度向量，对样本中出现的长度为1～10的tuple的频度进行统计，并生成相应样本的频度向量；计算tuple的马尔克夫概率，基于变阶次马尔克夫模型估计频度向量中每一个tuple的马尔克夫概率；生成样本间相异度矩阵，计算各个样本频度向量间的距离，生成一个样本间的相异度矩阵；生成聚类树，根据相异度矩阵生成一个聚类树。无需人工选择马尔克夫阶次，能根据数据特效自动地选择马尔克夫阶次；对宏基因组和宏转录组数据的聚类效果明显优于定阶次马尔克夫模型的聚类效果。
-
公开(公告)号：CN109732605B
公开(公告)日：2021-02-26
申请号：CN201910052603.9
申请日：2019-01-21
Applicant: 厦门大学
IPC: B25J9/16
Abstract: 本发明公开一种机器人关节摩擦力矩的补偿方法及系统。采用本发明的补偿方法及系统，工业机器人运行过程中，当关节温度、负载、润滑和磨损等参数改变后，摩擦模型也会相应改变，能够避免基于固定摩擦模型的前馈补偿方法失效的问题。在此基础上，利用辨识的摩擦模型预测生成的摩擦力矩训练神经网络，使得神经网络的训练学习过程效率更高，能够更快逼近理想效果，提高了机器人关节的跟踪速度和跟踪精度。进一步地，本发明通过高斯采样进行摩擦力矩前馈补偿，弥补了神经网络输出不具有探索性的缺点，使神经网络能更好的收敛，避免陷入局部最优，进一步确保跟踪精度，即使关节温度、负载、润滑和磨损等参数发生变化，也能快速实现高精度跟踪的目的。
-
公开(公告)号：CN111523789A
公开(公告)日：2020-08-11
申请号：CN202010310513.8
申请日：2020-04-20
Applicant: 厦门大学嘉庚学院
Abstract: 本发明涉及一种基于步长的多AGV实时调度方法，构建地图相关的图数据结构、AGV小车数据结构，图数据结构表示当前地图中各个站点的连接关系;AGV小车数据结构表示与AGV小车相对应的任务路径以及其行驶状态和未来行驶路径状态。本发明能够有效处理因AGV小车因死锁导致调度系统瘫痪的问题以及调度等待时间过长问题。
-
Patent Agency Ranking
公开(公告)号：CN108393892B
公开(公告)日：2020-07-24
申请号：CN201810178273.3
申请日：2018-03-05
Applicant: 厦门大学
IPC: B25J9/16
Abstract: 本发明涉及一种工业机器人前馈力矩补偿方法，包括以下步骤：S1：建立动作‑价值神经网络；S2：生成训练轨迹；S3：根据当前时刻的状态，选择对应的动作，然后对所选动作的前馈力矩增量进行积分后输出到电机电流环前馈通路上，并获得当前时刻的立即回报和下一时刻的状态；S4：将当前时刻的状态、所选的前馈力矩增量和立即回报和下一时刻的状态作为神经网络的训练样本，将所述训练样本进行归一化后，存入队列中；S5：从队列中随机选择一部分训练样本，使用随机梯度下降法对动作‑价值神经网络进行训练，直到达到最大训练次数或关节跟踪误差小于误差阈值。本发明无需建立复杂的动力学模型即可实现实时补偿工业机器人关节力矩。
-
-
公开(公告)号：CN110245697A
公开(公告)日：2019-09-17
申请号：CN201910469228.8
申请日：2019-05-31
Applicant: 厦门大学
Abstract: 本发明涉及一种表面脏污检测方法、终端设备及存储介质，在该方法中，包括：S1：采集检测对象的表面图像的样本组成训练集，并对训练集内的图片中的脏污部分进行标注；S2：构建表面脏污检测模型，将训练集输入表面脏污检测模型中进行训练后得到最终模型；所述表面脏污检测模型基于Yolov3网络构建，并针对Yolov3网络的每个残差块，将其中的每个ResNet子结构的输出特征图连接到该残差块的末尾；S3：将待检测的表面图像输入最终模型以检测表面脏污情况。本发明基于Yolov3检测网络，提出了一种稠密连接的实现方法，提高浅层特征的利用率，可以有效的提高表面脏污的检测能力。
-
公开(公告)号：CN110163803A
公开(公告)日：2019-08-23
申请号：CN201910439720.0
申请日：2019-05-24
Applicant: 厦门大学
Abstract: 本发明公开一种基于卷积神经网络的图像超分辨率重建方法及系统。所述方法包括：获取待重建的图像；对所述待重建的图像进行预处理，得到预处理后的图像；对所述预处理后的图像的特征进行提取，得到特征图像集；对所述特征图像集进行非线性映射，得到全局特征映射集；根据所述全局特征映射集进行重建，得到重建后的高分辨率图像。采用本发明的方法或系统能够提高图像的重建质量。
-
公开(公告)号：CN105787296A
公开(公告)日：2016-07-20
申请号：CN201610100159.X
申请日：2016-02-24
Applicant: 厦门大学
IPC: G06F19/22
CPC classification number: G06F19/22
Abstract: 一种宏基因组和宏转录组样本相异度的比较方法，涉及信息和生物技术。生成样本的tuple频度向量，对样本中出现的长度为1～10的tuple的频度进行统计，并生成相应样本的频度向量；计算tuple的马尔克夫概率，基于变阶次马尔克夫模型估计频度向量中每一个tuple的马尔克夫概率；生成样本间相异度矩阵，计算各个样本频度向量间的距离，生成一个样本间的相异度矩阵；生成聚类树，根据相异度矩阵生成一个聚类树。无需人工选择马尔克夫阶次，能根据数据特效自动地选择马尔克夫阶次；对宏基因组和宏转录组数据的聚类效果明显优于定阶次马尔克夫模型的聚类效果。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.023 seconds)
