-
公开(公告)号：CN119399147A
公开(公告)日：2025-02-07
申请号：CN202411454465.4
申请日：2024-10-17
Applicant: 武汉软件工程职业学院(武汉开放大学) , 中南大学
IPC: G06T7/00 , G06T5/60 , G06T5/70 , G06V10/30 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0985
Abstract: 本发明提供了一种面向工件表面缺陷的智能检测方法及系统，方法包括：对生产线上传送的工件进行实时图像采集；通过端到端去噪网络模型进行预处理；将去噪、还原后新的工件图像输入特征提取深度学习模型，对工件图像提取表面的深层特征；将深层特征输入表面缺陷识别网络模型，对深层特征进行分类处理，识别出工件表面的多种缺陷类型；根据在线识别到的缺陷类别、个数以及严重程度，对每个工件的整体质量进行评估。本发明提供的提升了图像的清晰度和准确性，能够对识别出的缺陷进行分类，确保生产过程中仅输出合格品，有效提升了锂电池极片的整体质量和安全性，且显著提升了生产线的效率。
-
公开(公告)号：CN119200601B
公开(公告)日：2025-03-28
申请号：CN202411312042.9
申请日：2024-09-20
Applicant: 中南大学
Abstract: 本发明公开了一种基于深度强化学习的移动机器人自主探索方法，所述方法包括在未知的环境中，开启激光雷达设备，计算单元以及机器人本体电源，通过激光雷达采集当前环境的点云数据；基于互补孔洞结构存储点云数据；基于二维占栅地图构建信息图，并对信息图进行稀疏化；构建强化学习策略网络，设计强化学习策略网络的目标函数；局部规划器根据无碰撞路径生成当前机器人的速度值；机器人的运动控制器根据速度值生成运动命令，重复以上步骤直到完成基于深度强化学习的机器人自主探索任务；本发明的优点在于：采用无模型深度强化学习技术在仿真系统中学习探索策略，可无缝移植到真实物理环境中，能够实现更高效率的自主探索。
-
公开(公告)号：CN115759634B
公开(公告)日：2024-04-26
申请号：CN202211443774.2
申请日：2022-11-18
Applicant: 中南大学
IPC: G06Q10/0631 , G06Q10/087 , G06Q50/04 , G06F30/27 , G06F18/23 , G06N3/126 , G06N3/006 , G06N10/60 , G06F111/02 , G06F111/04 , G06F111/06
Abstract: 本发明提供了一种矩形板材组批排样高效协同方法，包括订单预组批、预组批方案各订单排样优化以及最终组批优化三个步骤，首先通过预组批加权层次聚类算法初步划分批次，得到加工材质要求和交货工期相近的预组批订单，其次采用基于三阶段齐头切的排样优化算法完成预组批订单的排样优化，最后选用基于量子遗传模拟退火聚类算法输出满足条件的最终组批优化结果。本发明解决了传统“先组批后排样”模式中批次大小会影响排样效果和材料利用率的缺陷以及现有排样方法不能满足机加工中少阶段、齐头切需求和加工复杂的问题，能够大幅提高原材料的利用率，有效降低生产企业的加工制造成本，提高生产效率。
-
公开(公告)号：CN117518077A
公开(公告)日：2024-02-06
申请号：CN202311469705.3
申请日：2023-11-07
Applicant: 中南大学
Abstract: 本发明提供了一种复杂地下环境机器人定位和误差缓解方法，首先通过建立的系统状态方程对机器人下一时刻状态进行预测，其次采用方差对系统各信息源的置信度进行评估，并分配权重，以更准确地反映每个信息源的可信度，再次引入了Anderson darling检验和马氏距离细分判断的两步检测方法对非视距和累计误差造成的离群值进行检验，最后基于马氏距离和变方差模型建立抗差因子，以抵御不同环境下测量离群值的干扰，从而为复杂地下环境下机器人的定位与导航系统带来显著的性能提升，为精确导航提供了坚实的解决方案。
-
公开(公告)号：CN114776932B
公开(公告)日：2023-12-19
申请号：CN202210477273.X
申请日：2022-05-04
Applicant: 中南大学
IPC: F16L55/32 , F16L55/28 , F16L101/30
Abstract: 本发明提供了一种高空管道检测用涵道动力机器人，包括第一双轴动力模组、第二双轴动力模组构成的涵道动力系统、供控模组以及安装于第一双轴动力模组、供控模组和第二双轴动力模组之间的自变径辅助支撑机构，还包括作业单元和防护罩，可以实现管道机器人的垂直起飞和自主进入指定管道执行任务，避免了人工托举机器人进入管道带来的危险性，适用于多管径和材质管道，采用涵道动力作为管道机器人运动的动力源可以不受油污、淤积物对轮足、履带机构的影响，实现高效率检修。
-
Patent Agency Ranking
公开(公告)号：CN114034299A
公开(公告)日：2022-02-11
申请号：CN202111310689.4
申请日：2021-11-08
Applicant: 中南大学
Abstract: 本发明公开了一种基于主动激光SLAM的导航系统，该系统包括在未知环境下的主动激光SLAM和已知地图时的自主导航两大部分。主动激光SLAM部分和自主导航部分都包括移动机器人模块、激光雷达模块和处理器模块，所述主动激光SLAM部分中的处理器模块包括激光SLAM模块、主动探索模块和路径规划模块，自主导航部分中的处理器模块包括定位模块和路径规划模块。本发明提出的主动激光SLAM导航系统可以明显提高激光建图和定位的速度，增强了移动机器人在未知环境中探索的目的性，并通过局部路径规划模块有效提高机器人的动态避障能力，适合于机器人在复杂环境中的导航作业。
-
公开(公告)号：CN112026949B
公开(公告)日：2021-06-22
申请号：CN202010925358.0
申请日：2020-09-06
Applicant: 中南大学
IPC: B62D57/024
Abstract: 本发明公开了一种面向复杂环境的自适应爬壁机器人，包括机器人本体，多孔隙自适应吸盘、配气机构、真空发生机构，多孔隙自适应吸盘密布在履带上，多孔隙自适应吸盘包括多孔隙柔性吸附板、底板、压差单向阀腔体、矩形凸台、真空吸附管、固定板、滑块、大防滑螺母、固定螺栓、小防滑螺母，配气机构包括配气槽，履带运动过程中始终被配气槽内的负压所固定，紧贴在配气槽底部，履带上的多孔隙自适应吸盘跟随履带一起运动，对配气槽两端进行动态密封，真空发生机构用于抽真空产生吸附时的负压,可以实现爬壁机器人上多孔隙自适应吸盘与不平整表面的充分接触，定点配给与地面接触部分吸盘的配气方案，可以有效降低真空发生器的气体损耗。
-
公开(公告)号：CN119854722A
公开(公告)日：2025-04-18
申请号：CN202510014835.0
申请日：2025-01-06
Applicant: 中南大学
Abstract: 本发明提供了一种结合直接非视距误差缓解的基站自标定方法，通过并行深度回归网络直接缓解非视距误差，并结合全局优化和局部优化策略对基站位置进行迭代更新，有效解决了现有基站自标定方法受限于非视距遮挡和多径效应、收敛速度慢以及自标定精度低的问题，为复杂环境下的超宽带基站位置自标定提供了更为高效准确的解决方案。
-
公开(公告)号：CN117968660B
公开(公告)日：2025-02-18
申请号：CN202410108411.6
申请日：2024-01-26
Applicant: 中南大学
IPC: G01C21/00 , G01C21/16 , G01S17/86 , G01C21/20 , G06V20/56 , G06V20/64 , G06V10/25 , G06V10/75 , G06V10/764
Abstract: 本发明公开了一种地面约束的多传感器融合定位与建图方法，涉及同时定位与建图处理技术和机器人感知领域。该方法建立在图优化的基础上，实现LiDAR，IMU和编码器的多源数据联合非线性优化。LiDAR原始点云和IMU测量值被输入前端模块，用于估计初始姿态并注册点云；处理模块完成地面点云的分割，构建IMU和编码器测量模型，并从注册的点云中消除动态点；回环检测模块接收去畸变的激光雷达扫描帧和局部地图来完成帧间匹配，以减少位置的累积误差；最后，后端模块通过构建LiDAR‑IMU里程计因子、地平面因子、IMU和编码器预积分因子以及闭环因子来优化因子图，以生成高精度位姿和无鬼迹的地图。与现有技术相比，本发明能够实现更高精度的定位与建图效果，实现了更高精度的全局位姿图优化，且对环境的适应性更强。
-
公开(公告)号：CN119200601A
公开(公告)日：2024-12-27
申请号：CN202411312042.9
申请日：2024-09-20
Applicant: 中南大学
Abstract: 本发明公开了一种基于深度强化学习的移动机器人自主探索方法，所述方法包括在未知的环境中，开启激光雷达设备，计算单元以及移动机器人本体电源，通过激光雷达采集当前环境的点云数据；基于互补孔洞结构存储点云数据，构建三维点云地图并进行投影后构建二维占栅地图；基于二维占栅地图构建信息图，并采用双向A*算法对信息图进行稀疏化形成稀疏信息图；构建强化学习策略网络，设计强化学习策略网络的目标函数，所述强化学习网络的输入为稀疏信息图，输出为下一时刻的目标路径点；路径规划器根据目标路径点生成无碰撞的路径，局部规划器根据无碰撞路径生成当前机器人的线速度和角速度值；机器人的运动控制器根据速度值生成运动命令，控制移动机器人到达目标路径点，重复以上步骤直到完成基于深度强化学习的机器人自主探索任务；本发明的优点在于：采用无模型深度强化学习技术在仿真系统中学习探索策略，可无缝移植到真实物理环境中，能够实现更高效率的自主探索，且对环境的适应性强，应用场景更广，为实现移动机器人的完全自主作业奠定基础。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.041 seconds)
