-
公开(公告)号：CN106960099A
公开(公告)日：2017-07-18
申请号：CN201710191189.0
申请日：2017-03-28
Applicant: 清华大学
CPC classification number: G06F17/5086 , B25J9/163 , B25J9/1633 , G06N20/00
Abstract: 本发明涉及一种基于深度学习的机械手抓取稳定性识别方法，属于机器人感知技术领域。本发明方法首先采集不同抓取稳定性的触觉数据，然后将时间序列的图片数据转换成图片，利用触觉图片数据训练深度学习网络，最后利用深度学习网络识别未知稳定性的触觉图片数据。本发明方法，基于时间长度不一致的原始数据进行深度学习网络的训练，使得到的网络具备数据持续时间上的鲁棒性。本方法的深度学习网络，对网络参数的更新是基于整体的输入数据，只有少数数据的标签存在误差时网络受到的影响很小。所以本方法对噪声数据具有鲁棒性。
-
公开(公告)号：CN105913439A
公开(公告)日：2016-08-31
申请号：CN201610256939.3
申请日：2016-04-22
Applicant: 清华大学
IPC: G06T7/00
Abstract: 本发明属于视觉测量领域，涉及一种基于激光跟踪仪的大视场摄像机标定方法。本方法根据激光跟踪仪的特点制作标定板；用摄像机拍摄不同位置和角度的标定板图像，标定板分布位置布满摄像机视场；利用角点检测工具软件对标定板进行角点检测，选用标定板中心区域的角点检测结果；利用标定板四角的靶球坐标计算标定板中心区域的角点的世界坐标系坐标；利用直接线性变换法计算摄像机内部矩阵和外部矩阵，迭代计算径向畸变系数，得到高精度的标定结果。本发明可解决线性变换法在大视场标定需求下需要制作大型高精度标定板的问题，同时激光跟踪仪的测量特点有利于标定板摆放适当的角度，提高了可操作性和标定精度。本方法适用于大视场摄像机的标定。
-
公开(公告)号：CN105677036A
公开(公告)日：2016-06-15
申请号：CN201610064202.1
申请日：2016-01-29
Applicant: 清华大学
IPC: G06F3/01
CPC classification number: G06F3/014 , G06F2203/012
Abstract: 本发明涉及一种交互式数据手套，属于人机交互设备技术领域。该交互式数据手套包括用于采集人手每个关节的三维角速度、三维加速度以及三维磁矢量的9轴惯性传感器，用于采集接触力的触觉传感器，用于反馈力情况的压电式触觉驱动器，实时处理三类传感器信息的微处理器，用于数据传输的无线传输模块，用于显示虚拟手模型和交互处理的主控端。本数据手套系统适应力强，穿戴方便，能实时、完整、快速地手掌和每个手指的运动信息、触觉信息，并能实现力交互，可以远距离传输并直观显示，能应用于人机交互、遥操作、上肢康复监测等多种领域。
-
公开(公告)号：CN103759716A
公开(公告)日：2014-04-30
申请号：CN201410016272.0
申请日：2014-01-14
Applicant: 清华大学
IPC: G01C11/08
CPC classification number: G01C11/08
Abstract: 本发明涉及一种基于机械臂末端单目视觉的动态目标位置和姿态测量方法，属于视觉测量领域。该方法首先进行摄像机标定和手眼标定；然后用摄像机拍摄两幅图像，利用尺度不变特征提取方法，提取图像中目标区域的空间特征点并进行特征点匹配；利用对极几何约束方法，求解两幅图像之间的基础矩阵，得到本质矩阵，进而求解摄像机的旋转变换矩阵和位移变换矩阵；之后对特征点进行三维重构和尺度校正；最后利用重构后的特征点构建目标坐标系，获得目标相对摄像机的位置和姿态。本发明方法采用单目视觉，简化计算过程，使用了手眼标定，可简化摄像机位姿信息测量过程中错误解的剔除。本方法适用于测量静止目标和低动态目标的相对位姿。
-
公开(公告)号：CN101863028B
公开(公告)日：2012-06-20
申请号：CN201010176775.6
申请日：2010-05-14
Applicant: 清华大学
Abstract: 本发明涉及一种带有距离传感器的遥操作双边控制模拟装置，属于机器人技术领域。包括基座、四组转动机构、第一主端操作臂、第二主端操作臂、第一从端操作臂、第二从端操作臂和两个距离传感器。四组转动机构固定在基座上。第一主端操作臂和第二主端操作臂分别固定在基座一侧两组转动机构中的连接件上，第一从端操作臂和第二从端操作臂分别固定在基座另一侧两组转动机构中的连接件上。两个距离传感器分别固定在第一从端操作臂和第二从端操作臂上。本发明的模拟装置，有效克服了时延对双边控制系统带来的影响，可以进行双臂协调双边控制实验。
-
Patent Agency Ranking
公开(公告)号：CN101863038A
公开(公告)日：2010-10-20
申请号：CN201010191290.4
申请日：2010-05-28
Applicant: 清华大学
Abstract: 本发明涉及一种基于双目视觉的气浮遥操作平台，属于空间机器人技术领域。其中，高压气瓶置于气浮平台内，气浮平台的底部设有气足和喷嘴。机械臂安装基座、电源模块、电机驱动器和控制器。置于气浮平台上。控制器通过连接电缆与电磁阀相连。高压气瓶的阀门分别与喷嘴和气足相连。双目视觉装置和两个机械臂通过机械臂安装基座固定在气浮平台上。机械臂由肩关节、大臂、肘关节、小臂和手爪组成，肩关节固定在机械臂安装基座上，大臂、肘关节、小臂依次与肩关节相连接。本发明遥操作平台，既能够多方位的观察目标物，又利用双目视觉给出到目标物的深度信息，利于遥操作人员对远端环境的了解，避免了碰撞等意外的发生。
-
公开(公告)号：CN118130465A
公开(公告)日：2024-06-04
申请号：CN202310984262.5
申请日：2023-08-07
Applicant: 清华大学
IPC: G01N21/88
Abstract: 本发明提出一种缺陷检测与定位方法及装置，属于缺陷检测领域。其中，所述方法包括：获取待检测对象的图像作为待测样本并输入预设的缺陷检测与定位模型，该模型采用包含具有翻转结构的老师子模型和学生子模型的师生蒸馏模型，输出待测样本在不同尺度下的特征级余弦相似度图谱；根据不同尺度下的特征级余弦相似度图谱，得到待测样本是否包含缺陷的检测结果，对包含缺陷的待测样本生成对应的缺陷热度图；基于缺陷热度图，得到待测样本的缺陷定位结果。本发明的缺陷检测与定位模型在训练时无需带缺陷的训练数据，并且在不获取旧任务数据的情况下持续地学习新任务，可弥补现有检测技术对序列型检测任务的灾难性遗忘问题，具有较高应用价值。
-
公开(公告)号：CN115284288B
公开(公告)日：2024-04-12
申请号：CN202210958761.2
申请日：2022-08-09
Applicant: 清华大学
IPC: B25J9/16
Abstract: 本公开提供的多机器人在线任务分配和执行方法、装置及存储介质，包括：预训练阶段，构建场景编码模型，将其与分类模型连接，训练场景编码模型以将场景内的语义图进行编码，并在编码中保留位置和语义信息；训练阶段，构建多机器人任务分配和执行模型，对其训练，使之根据任务语言指令和多机器人的视觉观测图像进行动态任务分解和分配，使多机器人协作完成指定任务；测试阶段，给定任务语言指令，多机器人任务分配和执行模型根据该指令和机器人的视觉观测图像在每一步对任务进行动态分解和分配，并为各机器人生成下一步导航的子目标，使多机器人协同完成任务。本公开可推理出语言指令中隐含的信息，对指定任务进行动态分配，并由多机器人协作完成。
-
公开(公告)号：CN117506894A
公开(公告)日：2024-02-06
申请号：CN202311454832.6
申请日：2023-11-03
Applicant: 清华大学
Abstract: 本发明提出一种基于触觉传感的机械臂人机安全协同控制系统及方法，属于人机交互及机械臂控制领域。其中，所述系统包括：人机通信模块、指令解析模块、视觉定位模块、触觉感知模块和机械臂控制模块。其中，机械臂控制模块根据指令解析模块发送的用户通过人机通信模块下达的指令和视觉定位模块发送的目标物体的位置坐标信息，控制机械臂进行目标物体的抓取；当机械臂遇到障碍物时，触觉感知模块采集障碍物的触觉数据并生成触觉信息图像，然后发送给机械臂控制模块进行避障。本发明可通过采集机械臂与外部环境接触的触觉信息，弥补机器视觉在实际应用过程中容易受环境条件影响的缺陷，提升机械臂执行复杂任务的效率。
-
公开(公告)号：CN115879377B
公开(公告)日：2023-11-28
申请号：CN202211684467.3
申请日：2022-12-27
Applicant: 清华大学
IPC: G06F30/27 , G06F30/15 , G06T3/40 , G06V10/80 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本申请提供了一种智能飞行汽车模态切换的决策网络的训练方法，涉及深度学习技术领域，所述方法包括：基于A3C网络构建总决策网络；在一个训练周期内，执行下述步骤，直至达到预设的训练周期数量：采用CoppeliaSim仿真器中随机搭建M个模拟环境；复制M个总决策网络作为M个子决策网络，为每个模拟环境分配一个子决策网络；在各模拟环境中对对应的子决策网络进行训练，直至到达训练周期结束条件，计算每个子决策网络的损失函数；当所有的模拟环境的当前训练周期均结束，计算M个子决策网络的损失函数的平均值，作为总决策网络的损失函数，利用损失函数对总决策网络的权重参数进行更
-
-
-
-
-
-
-
-
-
Search Results
225
records
(took 0.046 seconds)
