-
公开(公告)号：CN118650634B
公开(公告)日：2024-11-15
申请号：CN202411133433.4
申请日：2024-08-19
Applicant: 湖南大学
Abstract: 一种基于深度学习的多机器人柔性物体伺服方法，包括：1、搭建多机协同操作柔性物体装配场景；2、确认柔性物体位置以及抓取点，控制双机器人协同抓取柔性物体；3、双机器人协同柔性物体伺服成多组形状，并记录柔性物体的点云信息和机器人末端位置信息；4、特征提取器提取点云信息的特征向量，并训练形变控制模块；5、收集一组随机生成的形状点云信息并导入到形变控制模块中，输出运动指令，控制双机器人协同抓取柔性物体，并将物体形状伺服到目标形状。本发明设计了一套基于深度学习、柔性物体形状伺服和多机协同控制的框架，提高了机器人对不同材料可形变零件的形状伺服的泛化性，提升柔性部件形状伺服作业任务的复杂度和精确度。
-
公开(公告)号：CN118548898B
公开(公告)日：2024-10-11
申请号：CN202411009065.2
申请日：2024-07-26
Applicant: 湖南大学
IPC: G01C21/20 , G06F16/29 , G06F16/901
Abstract: 本发明公开了一种基于安全通道采样的多机器人动态运动规划方法，构建初始静态地图，预设多个机器人在初始静态地图上各自对应的初始点和目标点，构建GVG路线图并规划出多个机器人各自的初始最短GVG路径并建立安全通道，在多个机器人的安全通道内随机采样得到采样点，规划出在静态地图上多个机器人各自从初始点沿着采样点到达目标点的运动路径，在动态地图上执行多个机器人各自在静态地图上得到的运动路径并进行动态障碍物检测和运动路径的更新，直至每个机器人到达各自对应的目标点，由此得到多个机器人各自在动态地图中的运动路径。该方法可在实时动态高、工作空间受限情况下完成多机器人的路径规划，提高机器人运行效率和安全性。
-
公开(公告)号：CN118548898A
公开(公告)日：2024-08-27
申请号：CN202411009065.2
申请日：2024-07-26
Applicant: 湖南大学
IPC: G01C21/20 , G06F16/29 , G06F16/901
Abstract: 本发明公开了一种基于安全通道采样的多机器人动态运动规划方法，构建初始静态地图，预设多个机器人在初始静态地图上各自对应的初始点和目标点，构建GVG路线图并规划出多个机器人各自的初始最短GVG路径并建立安全通道，在多个机器人的安全通道内随机采样得到采样点，规划出在静态地图上多个机器人各自从初始点沿着采样点到达目标点的运动路径，在动态地图上执行多个机器人各自在静态地图上得到的运动路径并进行动态障碍物检测和运动路径的更新，直至每个机器人到达各自对应的目标点，由此得到多个机器人各自在动态地图中的运动路径。该方法可在实时动态高、工作空间受限情况下完成多机器人的路径规划，提高机器人运行效率和安全性。
-
公开(公告)号：CN118493362A
公开(公告)日：2024-08-16
申请号：CN202410767283.6
申请日：2024-06-14
Applicant: 湖南大学
Abstract: 本发明涉及软体机器人技术领域，具体为一种外形可定制的气动软体执行器、软体机器人，其中气动软体执行器包括气驱动变形件、嵌入杆结构和若干个形状定制件：气驱动变形件内部形成有空腔，外部独立气源与气驱动变形件内的空腔导通；嵌入杆结构安装在气驱动变形件的底部，包括基体以及多根插杆，基体上开设有多个第一通孔，多根插杆分别嵌入在基体上的多个第一通孔内；若干个形状定制件至少安装在两个插杆上，以约束气驱动变形件与基体的变形，从而完成不同的抓取或者操作任务。本发明中，通过形状定制件重新配置外形，可以提升软体机器人对不同目标物的抓取效果，通过刚柔结构的耦合作用，可以提升软体机器人的负载能力。
-
公开(公告)号：CN118194165B
公开(公告)日：2024-08-09
申请号：CN202410613776.4
申请日：2024-05-17
Applicant: 湖南大学
IPC: G06F18/2415 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/096
Abstract: 本发明涉及一种基于迁移学习的装配机器人故障诊断特征变换方法，具体包括如下步骤：S1：提取原始特征：采集一维数据，将采集的数据分别标注对应正常或故障的标签；S2：特征变换：S3：特征融合：将S2中经过特征变换后的特征融合；S4：利用迁移学习网络进行故障诊断：将S3中经过特征融合的数据分成有标签的源域数据和无标签的目标域数据，将所有源域数据和部分目标域数据作为训练集，余下的目标域数据作为验证集，通过迁移学习，获得目标域样本相对源域样本的相似概率；S5：判断迁移学习算法的准确率和损失是否达到预设精度。本发明能够解决样本不足的问题，以及改善算法性能、提高实用性。
-
Patent Agency Ranking
公开(公告)号：CN117454672B
公开(公告)日：2024-04-12
申请号：CN202311776355.5
申请日：2023-12-22
IPC: G06F30/20 , G06T7/30 , G06T17/20 , G06F30/17 , G06F111/04
Abstract: 本发明公开了一种基于曲面装配约束的机器人作业余量计算方法，获得机身点云X与蒙皮点云Y；基于装配飞机机身点云X提取待装配边界序列点云E；将待装配边界序列点云E与待装配蒙皮点云Y进行最小余量匹配，搜索最近邻匹配对，建立最小余量方差约束的优化误差方程；根据机身点云X建立蒙皮微形变方程，在局部形变上限约束下，联合优化可微点云匹配方程；利用可微匹配方程的梯度方程和海瑟矩阵计算下一步优化方向的旋转矩阵及平移向量；计算优化后的误差，若小于预设误差阈值或者迭代次数大于预设迭代次数总数则输出结果，得到当前匹配后的边界，供给铣削作业机器人去除加工余量，得到最终装配曲面。改善了装配工序，计算高效，具有极高的可用性。
-
公开(公告)号：CN117608199A
公开(公告)日：2024-02-27
申请号：CN202410060508.4
申请日：2024-01-16
IPC: G05B13/04
Abstract: 本发明公开了一种预瞄机制下网络化多机器人数据驱动编队控制方法，采用领航‑跟随者编队方法，在参考轨迹上确定预瞄点，通过当前位置与预瞄点之间的横向跟踪误差使用无模型自适应控制MFAC算法对角速度进行控制；跟随者以领航者坐标为预瞄点，通过当前位置与预瞄点之间的横向跟踪误差和纵向跟踪误差分别对角速度和线速度进行控制；算法中角速度控制采用单闭环MFAC，线速度控制采用双闭环MFAC，控制误差项采用各机器人加权协同误差，控制算法中均采用前向预测对网络通信约束进行补偿，经过预测补偿后的速度控制量经由边端网络传至端设备机器人，实现多移动机器人稳定的特定队形协同编队。具有更强的场景适用性、灵活性和可拓展性。
-
公开(公告)号：CN115922443B
公开(公告)日：2023-06-16
申请号：CN202310029401.9
申请日：2023-01-09
Applicant: 湖南大学
IPC: B23Q17/09
Abstract: 本发明公开了一种基于滑动窗口的刀具剩余使用寿命实时预测方法，包括采集刀具切削过程中的切削力信号、振动信号及声发射信号并经采集卡转换为数字信号，每完成一次工件表面铣削，用显微镜离线测量刀具磨损值；对上述数字信号分别提取时域、频域和时频域特征，形成特征矩阵并进行规范化；设计滑动窗口提取全寿命已知的磨损值，与规范化后的特征矩阵形成输入矩阵对长短时记忆网络模型进行训练；按时序迭代输入前一时刻预测出的磨损值更新所提取的磨损值滑动窗，与规范化后的特征矩阵形成输入矩阵对训练好的长短时记忆网络模型进行验证，得到对应时刻刀具磨损量的预测值。只需要切削过程中的上述信号和前期少量测量磨损值，就能预测剩余使用寿命。
-
公开(公告)号：CN116069044A
公开(公告)日：2023-05-05
申请号：CN202310321732.X
申请日：2023-03-29
Applicant: 湖南大学
IPC: G05D1/02
Abstract: 本发明公开了一种多机器人协同搬运力位混合控制方法，首先建立多个机器人的协同搬运动力学模型；然后设置机器人位置误差并引入误差转换函数进行误差转换，对机器人转换后位置误差进行处理，并结合协同搬运动力学模型得到误差传递动力学模型；重写误差传递动力学模型，并设置滑模函数和扰动估计误差，根据重写后的误差传递动力学模型、滑模函数和扰动估计误差设计规定性能控制器，并计算机器人的输入力矩；接着预设阻抗模型、弹簧模型和环境刚度估计，计算得出机器人末端执行器的接触力估计和位置；最后搭建数学仿真模型，验证多机器人协同搬运控制方法的有效性。该方法可保证多个机器人在协同搬运过程中的精度和安全性。
-
公开(公告)号：CN115147488A
公开(公告)日：2022-10-04
申请号：CN202210789995.9
申请日：2022-07-06
Applicant: 湖南大学
IPC: G06T7/73 , G06V10/82 , G06V10/80 , G06V10/44 , G06V10/766 , G06V20/70 , G06T1/00 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于密集预测的工件位姿估计方法与抓取系统，搭建密集逐像素预测网络并训练，获取包含工件的场景RGB图像输入该预测网络，利用网络中的特征金字塔网络提取图像的逐像素卷积特征，采用三个回归分支网络从逐像素卷积特征中分别预测逐像素的语义信息、中心点信息和关键点信息，利用前述信息进行多工件实例分割，得到每个工件实例的密集关键点预测，采用投票策略确定各工件关键点2D位置，通过工件关键点2D位置以及对应工件模型上的3D位置建立2D‑3D对应关系，采用UD‑PnP算法计算工件的6D位姿。该方法网络结构简单、鲁棒性强、执行速度快，适合复杂工业场景下弱纹理、多工件任意位姿工件的抓取任务。
-
-
-
-
-
-
-
-
-
Search Results
42
records
(took 0.032 seconds)
