-
公开(公告)号：CN115220342B
公开(公告)日：2024-09-20
申请号：CN202210797745.X
申请日：2022-07-06
Applicant: 复旦大学
IPC: G05B13/04
Abstract: 本发明涉及一种基于动力学搜索的足式机器人移动控制方法，包括：获取历史控制策略与环境交互所得的轨迹数据，以作为样本数据来训练得到相应的动力学模型；基于动力学模型，结合改进策略搜索算法，求解得到最优个体，即最优控制策略；根据最优控制策略，对应控制改变足式机器人各关节状态，完成足式机器人移动控制。与现有技术相比，本发明能够解决控制策略搜索过程中的新颖性量化误差问题、实现更高的样本利用率、提高控制策略的搜索效率和质量，从而保证足式机器人的移动控制精准性。
-
公开(公告)号：CN117420824A
公开(公告)日：2024-01-19
申请号：CN202310933886.4
申请日：2023-07-27
Applicant: 复旦大学
Abstract: 本发明提供了一种基于具有学习能力的智能蚁群算法的路径规划方法，包括以下步骤：步骤S1，使用蚁群算法求解大量路径规划任务，根据得到的解构造训练数据集；步骤S2，使用深度学习网络作为智能蚂蚁的大脑模块，使用训练数据集对大脑模块进行训练，智能蚂蚁用于预测不同路径规划任务在不同阶段下可行方向的选择概率；步骤S3，训练结束后，将训练好的智能蚂蚁与蚁群算法的传统蚂蚁混合，构建得到混合智能蚁群；步骤S4，通过混合智能蚁群进行路径规划，混合智能蚁群根据智能蚂蚁预测的选择概率、混合智能蚁群积累的信息素浓度和节点之间的距离来选择下一次运动，同时传统蚂蚁保持进行随机探索，并根据智能蚂蚁和传统蚂蚁的结果进行信息素浓度的更新。
-
公开(公告)号：CN114881240B
公开(公告)日：2023-09-26
申请号：CN202210189441.5
申请日：2022-02-28
Applicant: 复旦大学
Abstract: 本发明涉及一种基于多注意力机制的机器人视觉示教学习模型及方法，该模型包括：图像特征预处理模块：包括若干级联的卷积层，用于提取图像的底层特征；卷积头模块：包括多个级联的卷积头，用于提取得到不同层次的特征图；域自适应模块：对不同层次的特征图进行计算构造多注意力内部损失，所述的多注意力内部损失用于自适应更新模型的策略参数；机器人动作预测模块：对不同层次的特征图进行残差连接后预测输出机器人动作。与现有技术相比，本发明通过提取不同层次的神经网络信息来学习机器人视觉任务，可以有效地增强模型的认知识别能力和任务适应能力。
-
公开(公告)号：CN115220342A
公开(公告)日：2022-10-21
申请号：CN202210797745.X
申请日：2022-07-06
Applicant: 复旦大学
IPC: G05B13/04
Abstract: 本发明涉及一种基于动力学新颖性搜索的足式机器人移动控制方法，包括：获取历史控制策略与环境交互所得的轨迹数据，以作为样本数据来训练得到相应的动力学模型；基于动力学模型，结合改进策略搜索算法，求解得到最优个体，即最优控制策略；根据最优控制策略，对应控制改变足式机器人各关节状态，完成足式机器人移动控制。与现有技术相比，本发明能够解决控制策略搜索过程中的新颖性量化误差问题、实现更高的样本利用率、提高控制策略的搜索效率和质量，从而保证足式机器人的移动控制精准性。
-
公开(公告)号：CN114881240A
公开(公告)日：2022-08-09
申请号：CN202210189441.5
申请日：2022-02-28
Applicant: 复旦大学
Abstract: 本发明涉及一种基于多注意力机制的机器人视觉示教学习模型及方法，该模型包括：图像特征预处理模块：包括若干级联的卷积层，用于提取图像的底层特征；卷积头模块：包括多个级联的卷积头，用于提取得到不同层次的特征图；域自适应模块：对不同层次的特征图进行计算构造多注意力内部损失，所述的多注意力内部损失用于自适应更新模型的策略参数；机器人动作预测模块：对不同层次的特征图进行残差连接后预测输出机器人动作。与现有技术相比，本发明通过提取不同层次的神经网络信息来学习机器人视觉任务，可以有效地增强模型的认知识别能力和任务适应能力。
-
Patent Agency Ranking
公开(公告)号：CN114815828B
公开(公告)日：2025-04-04
申请号：CN202210442298.6
申请日：2022-04-25
Applicant: 复旦大学
Abstract: 本发明涉及一种强化学习结合循环网络的机器人路径规划及控制方法，该方法包括：构建生成机器人路径的循环网络，所述的循环网络依次生成机器人路径中的路径点；采用强化学习方法训练所述的循环网络；利用训练的循环网络执行机器人路径规划；控制机器人按照规划的路径点依次移动。与现有技术相比，本发明能够在局部信息受限的同时极大程度上对未知环境进行推理，节约资源，提升效率，实现可观测范围内的可行路径规划，从而在复杂场景下能够找到目标点，实现机器人的移动控制。
-
公开(公告)号：CN114879486B
公开(公告)日：2024-11-08
申请号：CN202210186763.4
申请日：2022-02-28
Applicant: 复旦大学
Abstract: 本发明涉及一种基于强化学习和进化算法的机器人优化控制方法，包括以下步骤：S1：获取待控制的机器人的状态空间和动作空间；初始化环境，获取所述的机器人的初始状态及对应样本，并存入经验池；S3：对初始动作添加高斯噪声，获取其状态进化动作对并存入档案馆；S4：获取每个时间步的样本及状态进化动作对，对应存储；S5：利用策略梯度更新策略网络的参数，利用进化动作梯度更新策略网络的参数；S6：逐步执行步骤S4～S5直到机器人翻倒或累计经过预设的轨迹时间步，机器人完成一条轨迹；S7：重新初始化环境，重复步骤S3～S6直到达到预设的最大时间步。与现有技术相比，本发明具有优化速度快，效果好等优点。
-
公开(公告)号：CN114863160A
公开(公告)日：2022-08-05
申请号：CN202210187223.8
申请日：2022-02-28
Applicant: 复旦大学
IPC: G06V10/764 , G06V10/82 , G06K9/62 , G06N3/08 , G06N3/04
Abstract: 本发明涉及一种用于机器人分拣的自监督小样本实例分割方法，该方法包括：构建小样本实例分割网络，该网络为基于SOLO的神经网络模型；采用自监督策略对小样本实例分割网络进行训练。与现有技术相比，本发明提出了实时的端到端小样本实例分割框架，在增加很少的GPU使用内存的前提下实现了小样本多目标分割的目标，大大地提高了机器人的分拣速度，同时借鉴了对比学习的方法并充分利用了分拣背景的优势，提出了一个不需要标注数据的自监督训练策略，不仅极大地节省了宝贵的标注资源，还使得数据的扩充变得简单。
-
公开(公告)号：CN117420821A
公开(公告)日：2024-01-19
申请号：CN202310030779.0
申请日：2023-01-10
Applicant: 复旦大学
Abstract: 本发明提供一种基于学习的智能蚁群多智能体路径规划方法，通过对历史经验知识的学习，使每个蚂蚁都成为智能个体，极大提升蚁群算法的规划效率，解决传统蚁群算法在每一个新任务都需要重新规划的局限性。并且在使用传统蚁群算法解决多智能体路径规划时，考虑到了路径冲突，先为每个智能体进行规划再解决冲突，该过程随着智能体数量增加，规划时间成指数增长。然后利用卷积神经网络对规划好的无冲突路径进行学习，基于神经网络预测是否可能会发生冲突，从而减少冲突次数甚至避免冲突，因此大大减少规划时间。此外，由于在局部观测范围内进行规划，仅需知道局部环境信息而无需全局信息，具有简便高效的特点，可以更好地扩展运用到更大规模的地图中。
-
公开(公告)号：CN114879486A
公开(公告)日：2022-08-09
申请号：CN202210186763.4
申请日：2022-02-28
Applicant: 复旦大学
Abstract: 本发明涉及一种基于强化学习和进化算法的机器人优化控制方法，包括以下步骤：S1：获取待控制的机器人的状态空间和动作空间；初始化环境，获取所述的机器人的初始状态及对应样本，并存入经验池；S3：对初始动作添加高斯噪声，获取其状态进化动作对并存入档案馆；S4：获取每个时间步的样本及状态进化动作对，对应存储；S5：利用策略梯度更新策略网络的参数，利用进化动作梯度更新策略网络的参数；S6：逐步执行步骤S4～S5直到机器人翻倒或累计经过预设的轨迹时间步，机器人完成一条轨迹；S7：重新初始化环境，重复步骤S3～S6直到达到预设的最大时间步。与现有技术相比，本发明具有优化速度快，效果好等优点。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.019 seconds)
