一种蛇形机器人的控制方法
    1.
    发明公开

    公开(公告)号:CN116330271A

    公开(公告)日:2023-06-27

    申请号:CN202211477596.5

    申请日:2022-11-23

    IPC分类号: B25J9/16 B25J9/06 B25J9/08

    摘要: 本发明的目的在于提供一种蛇形机器人的控制方法,通过控制单元控制驱动结构实现功能模块的拼接。并通过多个拼接后的功能模块之间的配合实现蛇形机器人的前进、攀爬、蔽障、缠绕等动作。控制单元获取外部环境信息,根据外部环境信息确定活动计划。此外控制单元还接收其他功能模块的行动信息,根据其他功能模块的行动信息的优先级和本功能模块的活动计划的优先级确定执行计划,执行计划是本功能模块实际执行的计划。将本功能模块的行动信息发送给其他功能模块。本模块的行动信息包括活动计划、执行计划和执行计划对应的动作。按照控制指令的要求,在预设时间内转动预设角度。驱动折叠内管伸缩至指定长度,实现单个功能模块的移动、转向。

    基于动态神经网络扩展的持续小样本图像分类方法和系统

    公开(公告)号:CN116385759A

    公开(公告)日:2023-07-04

    申请号:CN202310029791.X

    申请日:2023-01-09

    摘要: 本发明属于计算机视觉领域,具体涉及了一种基于动态神经网络扩展的持续小样本图像分类方法和系统,旨在解决现有技术进行新类的训练时难以对模型整体进行调整的问题。本发明包括:通过带有已知类数据标签的样本训练基础特征提取网络,通过特征提取器对带有已知类数据标签的样本进行特征提取,再通过投影层投影至可扩展特征空间中并保留未使用区域;将带有新类数据标签的样本和带有已知类数据标签的样本组合训练;新类视觉特征通过扩充部分参数的投影层投影至未使用区域并与已知类进行对齐,通过增量类原型分类器进行分类。本发明简单、灵活,可以显著提升全新类对象的分类性能,并能有效改善对历史类对象的分类性能。

    一种基于增强小样本特征解耦的图像分类方法和系统

    公开(公告)号:CN116310495A

    公开(公告)日:2023-06-23

    申请号:CN202310029240.3

    申请日:2023-01-09

    摘要: 本说明书公开了一种基于增强小样本特征解耦的图像分类方法和系统,旨在解决无法有效提取细粒度特征和粗粒度特征以获得充足的局部信息和全局信息的问题。本发明包括:基于待测数据,通过基于小样本的数据增强模型,获取增强待测数据;通过多层感知机和第一分类器获取增强待测数据;将增强待测数据进行特征解耦获得细粒度特征和粗粒度特征;通过特征连接器将细粒度特征与粗粒度特征进行连接,基于连接特征,通过训练好的第二分类器进行分类获得分类预测结果。本发明能够快速的提取细粒度特征和粗粒度特征,有效解决了细粒度特征提取和粗粒度特征提取之间的冲突,提高了图像识别的准确性,并解决了训练样本不足的问题。

    一种信号处理方法和信号处理装置

    公开(公告)号:CN116226636A

    公开(公告)日:2023-06-06

    申请号:CN202211693753.6

    申请日:2022-12-28

    摘要: 本发明公开了一种信号处理方法和信号处理装置,涉及信号处理技术领域,以解决现有技术中一维信号和二维信号的转换单向不可逆的问题。该信号处理方法包括:构建循环生成对抗网络,循环生成对抗网络包括第一生成器、第二生成器、第一判别器和第二判别器;采用第一生成器处理二维信号,获得转化后一维信号;利用第一判别器、一维信号和转化后一维信号,更新第一判别器和第一生成器;一维信号为二维信号对应的真实一维信号;采用第二生成器处理一维信号,获得转化后二维信号;利用第二判别器、二维信号和转化后二维信号,更新第二判别器和第二生成器。本发明还提供了包括上述信号处理方法的信号处理装置和计算机存储介质。

    一种具有显式通信机制的多智能体强化学习方法及装置

    公开(公告)号:CN116151364A

    公开(公告)日:2023-05-23

    申请号:CN202211693711.2

    申请日:2022-12-28

    摘要: 本发明公开了一种具有显式通信机制的多智能体强化学习方法及装置,所述方法包括:在多智能体之间建立显示的通信‑共享机制;通过所述通信‑共享机制获取同队智能体和异队智能体的感知数据、环境信息;利用基于A3C的深度强化学框架、同队智能体和异队智能体的感知数据、环境信息进行策略训练,确定各个智能体的当前模型参数,各个智能体基于当前模型参数进行动作选择。本发明能够较好地融合无线通信技术与强化学习技术的优点,能够较好地对复杂环境下的敌我双方多智能体及环境信息进行感知,利用基于A3C的深度强化学框架进行强化学习训练,有效地降低多智能体博弈对抗学习的难度,为解决未来无人协同对抗问题提供新的有效途径。