面向机械臂仿真到实际运动的逆运动学建模方法及装置

    公开(公告)号:CN114700932A

    公开(公告)日:2022-07-05

    申请号:CN202210465540.1

    申请日:2022-04-29

    Applicant: 清华大学

    Abstract: 本发明提出一种面向机械臂仿真到实际运动的逆运动学建模方法及装置,属于信息物理系统智能建模技术领域。其中,所述方法包括:根据机械臂自身的末端在仿真中设计对应的虚拟末端1,根据所述机械臂末端携带的执行机构在仿真中设计所述执行机构对应的虚拟末端2;在仿真中,获取采样数据,包括:虚拟末端1经过预设的路径点时对应的关节角以及机械臂携带虚拟末端2经过路径点时机械臂自身末端的对应位置和机械臂对应的关节角;根据采样数据,构建实际输出为预设的路径点位置,实际输入为虚拟末端2经过所述路径点时机械臂对应关节角的逆运动学模型。本发明可减小机械臂虚拟运动仿真与实际机械臂运动的误差,实现虚拟仿真到实际操作的应用。

    一种动态交互的细粒度离散事件系统时序推进方法

    公开(公告)号:CN112765766A

    公开(公告)日:2021-05-07

    申请号:CN202011495553.0

    申请日:2020-12-17

    Applicant: 清华大学

    Abstract: 本发明提出一种动态交互的细粒度离散事件系统时序推进方法,属于协同仿真时序一致技术领域。本发明对于基于事件的时序推进算法进行改进,通过解耦事件响应与交互处理两个部分,设计交互表实现对交互的动态管理,形成一种粒度更细的交互方式。在本发明中,对发生事件设计了合理而高效的响应逻辑,在每个事件发生的时间点上,对被交互子系统状态进行检测,并据此做出事件响应决策;同时设计了与之相对应的交互处理与子系统仿真推进逻辑,引入工作点保存进而实现仿真回退,使得离散事件系统之间产生的交互更加精准,仿真精度更高。本发明所提出的时序推进方式更适合随机性较强、交互较复杂的离散事件系统协同仿真。

    一种基于主题消息总线的信息物理异构模型集成装配系统

    公开(公告)号:CN112711859B

    公开(公告)日:2024-03-12

    申请号:CN202110040873.5

    申请日:2021-01-13

    Applicant: 清华大学

    Abstract: 本发明提出一种基于主题消息总线的信息物理异构模型集成装配系统,属于信息物理系统智能控制技术领域。该系统包括:物理设备层,主题消息总线层,智能控制层以及仿真层;其中,所述物理设备层包含若干个工位单元,每个工位单元包括一台上位机和连接该上位机的若干台物理设备;每台物理设备通过所在工位单元的上位机与主题主题消息总线层连接,主题消息总线层、智能控制层和仿真层两两相互连接。该系统通过主题消息总线层将智能制造中信息物理系统的物理设备、工位、虚拟仿真模型,智能控制中心等异构模型的统一互联集成。本发明实时性高,兼容性强,可交互优化装配工艺,操作友好,可以应用于工业领域复杂产品的装配产线及其相关设备。

    一种动力学模型支持的有偏好模仿学习方法及系统

    公开(公告)号:CN115099037A

    公开(公告)日:2022-09-23

    申请号:CN202210744890.1

    申请日:2022-06-27

    Applicant: 清华大学

    Inventor: 詹仙园 张文嘉

    Abstract: 本发明提供一种动力学模型支持的有偏好模仿学习方法及系统包括:获取自动驾驶训练所需要的训练样本集,其中,所述训练样本包含离线专家数据集和动力学模型数据集;通过预设的判别器输出加权值训练驾驶模仿策略模型;通过训练后的驾驶模仿策略模型,对自动驾驶车辆进行模仿训练。本发明解决了现有模仿学习可用专家数据有限、训练成本高、效率低的缺陷,以实现快速高效的有偏好模仿学习。

    一种动力学模型支持的双重有偏好模仿学习方法及系统

    公开(公告)号:CN114986512A

    公开(公告)日:2022-09-02

    申请号:CN202210744893.5

    申请日:2022-06-27

    Abstract: 本发明提供一种动力学模型支持的双重有偏好模仿学习方法及系统,包括:获取自动驾驶训练所需要的训练样本集,其中,所述训练样本包含离线专家数据集、离线无奖励标签数据集和动力学模型数据集;通过预设的第一判别器输出数据与专家数据的接近程度和预设的第二判别器输出数据与真实数据的接近程度构建损失函数,训练驾驶模仿策略模型;通过训练后的驾驶模仿策略模型,对自动驾驶车辆进行模仿训练。本发明解决了现有模仿训练中可用专家数据量少、训练效率低的缺陷,以实现快速高效的有偏好模仿学习。

Patent Agency Ranking