-
公开(公告)号：CN108958238B
公开(公告)日：2021-05-07
申请号：CN201810554287.0
申请日：2018-06-01
Applicant: 哈尔滨理工大学
IPC: G05D1/02
Abstract: 本发明提出一种基于协变代价函数的机器人点到区路径规划方法，在明确机器人路径规划的起点和目标区域，以及不可通行的障碍物区域之后，栅格化表达距离场形式，通过将路径表达为一个协变代价函数在距离场内的寻找最优解的过程，路径就是最优函数的自变量，为了保证在起点和目标区域约束有效，推导出原路径规划问题的对偶形式，对该代价函数进行寻优计算，所得最优值的解就是最终路径。本发明解决了传统路径规划方法更多侧重于到点的规划，不能有效解决点到目标区域规划的问题，同时本发明提出的方法可以兼顾路径的平滑性。
-
公开(公告)号：CN109031947A
公开(公告)日：2018-12-18
申请号：CN201810627791.9
申请日：2018-06-19
Applicant: 哈尔滨理工大学
IPC: G05B13/04
CPC classification number: G05B13/042
Abstract: 一种轮式移动机器人的径向基神经网络轨迹跟踪控制及方法。在移动机器人的控制研究中，非完整移动机器人是自动化领域研究中的一个重要课题，轨迹跟踪控制作为其中一个重要技术，对它的研究具有很强的理论和实际意义，受到广大科研工作者的高度重视。一种轮式移动机器人的径向基神经网络轨迹跟踪控制及方法，在动力学跟踪误差中，引入带有自适应调节的径向基神经网络，提出新的控制率，解决动力学误差中的非线性函数的参数不确定问题，提高了轮式移动机器人在轨迹跟踪时的抗干扰能力。用Lyapunov函数证明其稳定性，确保轮式移动机器人全局稳定，本发明应用于轮式移动机器人的径向基神经网络轨迹跟踪控制。
-
公开(公告)号：CN119513523A
公开(公告)日：2025-02-25
申请号：CN202411522766.6
申请日：2024-10-29
Applicant: 哈尔滨理工大学
IPC: G06F18/20 , G06N3/0464 , G06N3/045 , G06N5/048 , G06F18/213 , G06N3/0475 , G06N3/094 , G06N3/084 , G06N3/0985
Abstract: 本发明涉及机器人地形感知领域，提出了一种基于多模态数据融合的光照条件自适应土壤湿度估计方法。首先，提出了一种最佳曝光时间计算方法，用于构建多模态土壤湿度数据集。其次，通过SS‑GAN算法去除土壤图像阴影，并结合环境信息改进通道注意力机制ECA和标准卷积层，嵌入ResNet‑50作为网络主干，设计了适应不同光照条件的土壤湿度估计子模型。然后，使用改进的损失函数对各子模型进行训练，使其适应特定光照条件。最后提出了一种子模型融合与切换方法，经过灰度值映射生成土壤湿度估计图。本发明通过改进的神经网络模型进行多模态数据融合，并设计子模型的融合与切换算法，能够提高机器人在复杂光照条件下的土壤湿度估计精度，从而提升地形感知能力。
-
公开(公告)号：CN116151359A
公开(公告)日：2023-05-23
申请号：CN202211507379.6
申请日：2022-11-29
Applicant: 哈尔滨理工大学
Abstract: 本发明属于足式机器人驾驶操作技术领域。本发明公开了一种基于深度神经网络的六足机器人驾驶员决策模型分层训练方法，解决六足机器人驾驶员决策经验量化建模的问题。本发明所述的一种基于深度神经网络的六足机器人驾驶员决策模型分层训练方法，采用一种功能层次清晰、便于分步调试的深度神经网络结构，并采用梯度下降法逐层对神经网络参数进行训练，以分层、逐步、反向寻优的方式得到六足机器人驾驶员决策的神经网络模型。本发明可有效提升传统神经网络对高维非线性多输入/出决策模型训练的收敛速度和模型输出结果的可解释性，用该方法得到的驾驶员决策模型可大大提升六足机器人的自主决策水平。
-
公开(公告)号：CN118349001A
公开(公告)日：2024-07-16
申请号：CN202410619240.3
申请日：2024-05-18
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了一种面向非结构化地形的足式移动机器人路径规划方法，属于足式机器人控制技术领域，包括以下步骤：依据地形数据和特征训练决策树模型；针对足式移动机器人运动特点对地形进行分类，建立全局可通过栅格地图；通过决策树模型量化全局可通过栅格地图中每个单位地形的复杂度；最后通过将地形复杂度C与自适应权重系数α引入代价函数后的路径规划算法进行路径规划。本发明通过量化地形复杂度与改进代价函数的方式，解决了传统路径规划方法难以满足足式移动机器人的在复杂非结构化地形下的需求问题，能够同时兼顾地形可通过性与路径距离，提升了路径规划算法收敛速度，进而提高了路径规划效率、机器人的运动安全性与地形适应性。
-
Patent Agency Ranking
公开(公告)号：CN118051067A
公开(公告)日：2024-05-17
申请号：CN202410006529.8
申请日：2024-01-03
Applicant: 哈尔滨理工大学
IPC: G05D3/12
Abstract: 本发明属于足式机器人人机协同驾驶技术领域。本发明公开了一种考虑操作者视野的六足机器人决策指令人机协商方法，解决在人机协同决策过程中，当远程操作者与机器人发布决策指令不一致的问题。本发明所述的考虑操作者视野的六足机器人决策指令人机协商方法，通过定义远程操作者水平和垂直视野覆盖系数，量化评估操作者对六足机器人所在任务环境的感知水平，并以操作者感知水平和协商消耗时间为内核设计让步系数，通过对机器人在指令数值方面逐次做出合理的让步，最终得到人机一致协商认可的决策指令。本发明可有效提升人机协同决策指令生成的效率，有效提高以远程操作方式对六足机器人进行人机协同驾驶的决策准确度。
-
公开(公告)号：CN119832529A
公开(公告)日：2025-04-15
申请号：CN202510011774.2
申请日：2025-01-05
Applicant: 哈尔滨理工大学
IPC: G06V20/59 , A61B5/18 , A61B5/397 , A61B5/16 , G06V10/764 , G06V10/774 , G06V10/82 , G06T7/80 , G06T7/136 , G06N3/0464 , G06N3/08 , G06F17/11
Abstract: 本发明属于足式机器人驾驶操作技术领域。本发明公开了一种基于驾驶员行为特征和注意力水平的足式移动平台驾驶疲劳表征与检测方法，解决足式移动平台驾驶员驾驶疲劳量化建模的问题。本发明所述的一种基于驾驶员行为特征和注意力水平的足式移动平台驾驶疲劳表征与检测方法，采用基于自适应移动平均与可分离卷积的动作识别算法监测驾驶行为的激活、产生过程，结合视觉、速度信息，根据驾驶员在驾驶过程中的视野区域变化，估计驾驶行为执行时注意力的集中程度，并采用生存分析模型，通过建立协变量与反应时间的映射关系，反向获得行为变换的基础概率分布，从而估计驾驶员的驾驶疲劳程度。本发明通过对不同生理特征的监测与分析模型的建立，最大程度上避免了行为变换、注意力水平对建立驾驶疲劳与反应时间映射关系的干扰。本发明可有效衡量驾驶行为的风险性，有助于在足式移动平台模仿学习驾驶行为的过程中，降低风险行为的影响，增强足式移动平台自主决策模型的鲁棒性。
-
公开(公告)号：CN119533489A
公开(公告)日：2025-02-28
申请号：CN202510037449.3
申请日：2025-01-09
Applicant: 哈尔滨理工大学
IPC: G01C21/20
Abstract: 本发明属于机器人路径规划领域。本发明提出了基于驾驶员引导与动态地图分割的改进A*路径规划方法，旨在解决现有路径规划方法在复杂地形和大规模地图中的计算复杂度高、实用性不足等问题，具体方法为：通过结合驾驶员引导路径点输入，采用贝塞尔曲线拟合出驾驶员引导路径，并基于该路径设计动态地图切割方法，从而有效减少无用区域的计算负担。综合考虑路径长度、能耗和路径风险的代价，对A*算法的实际代价函数和启发函数进行优化，并对规划出的路径采用三次样条曲线进行平滑处理。该方法可以提高路径规划的效率与实用性。
-
公开(公告)号：CN116151359B
公开(公告)日：2023-09-29
申请号：CN202211507379.6
申请日：2022-11-29
Applicant: 哈尔滨理工大学
Abstract: 本发明属于足式机器人驾驶操作技术领域。本发明公开了一种基于深度神经网络的六足机器人驾驶员决策模型分层训练方法，解决六足机器人驾驶员决策经验量化建模的问题。本发明所述的一种基于深度神经网络的六足机器人驾驶员决策模型分层训练方法，采用一种功能层次清晰、便于分步调试的深度神经网络结构，并采用梯度下降法逐层对神经网络参数进行训练，以分层、逐步、反向寻优的方式得到六足机器人驾驶员决策的神经网络模型。本发明可有效提升传统神经网络对高维非线性多输入/出决策模型训练的收敛速度和模型输出结果的可解释性，用该方法得到的驾驶员决策模型可大大提升六足机器人的自主决策水平。
-
公开(公告)号：CN109737961A
公开(公告)日：2019-05-10
申请号：CN201810498537.3
申请日：2018-05-23
Applicant: 哈尔滨理工大学
IPC: G01C21/20
Abstract: 本发明提出一种具有概率完备性的机器人最优化点到区路径规划方法，在明确机器人路径规划的起点和目标区域，以及不可通行的障碍物区域之后，栅格化表达距离场形式，通过将路径表达为一个协变代价函数在距离场内的寻找最优解的过程，路径就是最优函数的自变量，为了保证在起点和目标区域约束有效，推导出原路径规划问题的对偶形式，对该代价函数进行寻优计算，所得最优值的解就是最终路径。当此最优化求解过程陷入局部极小时，就切换到基于结合模拟退火和协变代价函数的路径规划方法，来保证路径规划的概率完备性，即提高路径规划成功率。本发明解决了传统路径规划方法更多侧重于到点的规划，不能有效解决点到目标区域规划的问题，同时藉由引入模拟退火方法与协变代价函数相结合的具有概率完备性的方法，可以确保路径规划的成功率。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.025 seconds)
