-
公开(公告)号：CN116604571B
公开(公告)日：2023-10-27
申请号：CN202310864607.3
申请日：2023-07-14
Applicant: 湖南大学
Abstract: 本发明公开了一种基于深度强化学习的机器人三维测量路径规划方法，包含基于多层视球和下一最优视点的MLVS‑NBV规划方法生成候选视点集合，使用IKFast运动学求解器求解各视点对应的机器人的所有逆运动学解，建立视点—逆运动学解的评估矩阵，利用PC‑NBV点云网络学习和预测选择下一视点后的覆盖率，建立GTSP问题并利用DDQN深度强化学习方法求解，使用GPMP2运动规划器快速生成测量路径，将训练网络迁移到实际的机器人测量任务。通过视点规划方法保证测量视点的可行性并提高对不同测量对象的测量覆盖率，利用深度强化学习技术实现对不同已知对象的自主测量和对未知对象的探索式测量，规划速度快、适应性强、效率高。
-
公开(公告)号：CN112381885B
公开(公告)日：2022-02-22
申请号：CN202011270640.6
申请日：2020-11-13
Applicant: 湖南大学
Abstract: 本发明公开了一种基于多种群粒子并行结构算法的机器人相机标定方法，首先，在多种群粒子并行结构的基础上引入自适应变异粒子群优化算法，根据在更新迭代过程中局部最优粒子、全局最优粒子对整个过程的影响不同，提出基于粒距变化的惯性因子调整策略，同时依据自适应变异率，对种群粒子选择性变异，具有更强的大局观，在全局范围内寻找最优解；其次，在基于并行结构的多种群粒子优化算法基础之上，对其进行优化，解决了原算法过于冗余的问题，同时对3个粒子群组进行更新迭代，提高了算法鲁棒性；最后，利用多种群粒子并行结构优化算法在相机参数初始值的基础上对相机参数进行最优值求解，得到相机参数的最优值，提高了机器人相机的标定精度。
-
公开(公告)号：CN113989242B
公开(公告)日：2024-09-10
申请号：CN202111272107.8
申请日：2021-10-29
Applicant: 湖南大学
IPC: G06T7/00 , G06F17/16 , G06N3/0464 , G06N3/09 , G06T7/33 , G06T7/73 , G06T17/20 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于高斯混合模型隐变量监督学习的多点云配准方法，构建标准点云和待配准点云集合；将标准点云和待配准点云集合建模为同样的高斯混合模型，设置高斯混合模型的超参数为K；设标准点云为高斯混合模型生成的一个样本，使用神经网络求得隐变量，求解最优高斯混合模型参数；设待配准点云集合经刚性变换后配准完成的点云集合为高斯混合模型生成的一个样本，使用神经网络求得隐变量，使用上一步所求最优高斯混合模型参数，求解最优变换参数，使得变换后点云的高斯混合模型与标准点云的高斯混合模型一致；根据上一步所求最优变换参数完成多点云的配准，同时也完成了与标准点云的对齐。其点云配准速度快、配准步骤简单，对噪声鲁棒性好。
-
公开(公告)号：CN118246312A
公开(公告)日：2024-06-25
申请号：CN202410152169.2
申请日：2024-02-03
Applicant: 湖南大学
IPC: G06F30/27 , G06N3/092 , G06F111/04
Abstract: 本发明公开了基于DDPG的航空发动机异形叶片视点自主规划方法，包括以下步骤：S1,导入待测叶片的标准CAD模型；S2,定义强化学习环境的状态空间；S3，定义强化学习环境的动作空间；S4，定义强化学习的奖励函数，根据占有体素增长率、未知体素减少率和待测叶片重叠率误差惩罚得到奖励函数；S5，定义强化学习训练终止条件；S6，定义强化学习训练过程,进行动作网络和评价网络的参数训练；S7,重复步骤S2‑S6，得到训练后的动作网络和训练后的评价网络；S8，强化学习训练结束，得到一组最优视点。本发明是在连续空间内进行最优视点的求取，适用于叶片的薄壁复杂曲面结构，确保所选择的视点为连续空间内最优视点。
-
公开(公告)号：CN116604571A
公开(公告)日：2023-08-18
申请号：CN202310864607.3
申请日：2023-07-14
Applicant: 湖南大学
Abstract: 本发明公开了一种基于深度强化学习的机器人三维测量路径规划方法，包含基于多层视球和下一最优视点的MLVS‑NBV规划方法生成候选视点集合，使用IKFast运动学求解器求解各视点对应的机器人的所有逆运动学解，建立视点—逆运动学解的评估矩阵，利用PC‑NBV点云网络学习和预测选择下一视点后的覆盖率，建立GTSP问题并利用DDQN深度强化学习方法求解，使用GPMP2运动规划器快速生成测量路径，将训练网络迁移到实际的机器人测量任务。通过视点规划方法保证测量视点的可行性并提高对不同测量对象的测量覆盖率，利用深度强化学习技术实现对不同已知对象的自主测量和对未知对象的探索式测量，规划速度快、适应性强、效率高。
-
Patent Agency Ranking
公开(公告)号：CN111028238B
公开(公告)日：2023-06-02
申请号：CN201911297669.0
申请日：2019-12-17
Applicant: 湖南大学
IPC: G06T7/10
Abstract: 本发明公开了一种基于机器人视觉的复杂异形曲面三维分割方法及系统，在通过三维激光相机获取到异形曲面工件的点云数据后，首先基于直通滤波的方法对点云数据进行工作范围内的点云预处理，剔除大量无关背景点云，然后采取体素网格下采样的方法对剩余点云做稀疏化处理从而进一步加快点云分割的速率，最后基于KPConv的方法对包含了机械手末端的曲面点云做实例分割，在Kernel Points点云卷积核的基础上设计了一种局部依赖于点与点之间几何特征关系的新卷积方法，增强了局部点特征提取能力，综合KPConv的可变形卷积核与局部点云特征提取能力，具有效率和准确度高，且分割效果好的优点。
-
公开(公告)号：CN113989242A
公开(公告)日：2022-01-28
申请号：CN202111272107.8
申请日：2021-10-29
Applicant: 湖南大学
IPC: G06T7/00 , G06F17/16 , G06K9/62 , G06N3/04 , G06N3/08 , G06T7/33 , G06T7/73 , G06T17/20 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于高斯混合模型隐变量监督学习的多点云配准方法，构建标准点云和待配准点云集合；将标准点云和待配准点云集合建模为同样的高斯混合模型，设置高斯混合模型的超参数为K；设标准点云为高斯混合模型生成的一个样本，使用神经网络求得隐变量，求解最优高斯混合模型参数；设待配准点云集合经刚性变换后配准完成的点云集合为高斯混合模型生成的一个样本，使用神经网络求得隐变量，使用上一步所求最优高斯混合模型参数，求解最优变换参数，使得变换后点云的高斯混合模型与标准点云的高斯混合模型一致；根据上一步所求最优变换参数完成多点云的配准，同时也完成了与标准点云的对齐。其点云配准速度快、配准步骤简单，对噪声鲁棒性好。
-
公开(公告)号：CN112284290A
公开(公告)日：2021-01-29
申请号：CN202011122728.3
申请日：2020-10-20
Applicant: 湖南大学
IPC: G01B11/24
Abstract: 本发明公开了一种航空发动机叶片机器人自主测量方法及系统。该方法包括：标定伺服旋转工作台、结构光三维扫描仪、机器人，根据航空发动机叶片设计模型布置测量点，规划机器人测量的路径，测量航空发动机叶片的三维形貌，处理航空发动机叶片的测量数据。该系统包括硬件系统和软件系统，硬件系统包含伺服旋转工作台、叶片测量夹具、结构光三维扫描仪、机器人、机器人控制柜、工业计算机；软件系统包含测量系统标定模块、测量点布局模块、机器人测量路径规划模块、点云数据处理及可视化模块、三维模型格式转换模块、人机交互模块、测量过程控制模块。本发明根据产品设计模型自动布局测量点并生成机器人测量路径，实现机器人自主测量。
-
公开(公告)号：CN115147488B
公开(公告)日：2024-06-18
申请号：CN202210789995.9
申请日：2022-07-06
Applicant: 湖南大学
IPC: G06T7/73 , G06V10/82 , G06V10/80 , G06V10/44 , G06V10/766 , G06V20/70 , G06T1/00 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于密集预测的工件位姿估计方法与抓取系统，搭建密集逐像素预测网络并训练，获取包含工件的场景RGB图像输入该预测网络，利用网络中的特征金字塔网络提取图像的逐像素卷积特征，采用三个回归分支网络从逐像素卷积特征中分别预测逐像素的语义信息、中心点信息和关键点信息，利用前述信息进行多工件实例分割，得到每个工件实例的密集关键点预测，采用投票策略确定各工件关键点2D位置，通过工件关键点2D位置以及对应工件模型上的3D位置建立2D‑3D对应关系，采用UD‑PnP算法计算工件的6D位姿。该方法网络结构简单、鲁棒性强、执行速度快，适合复杂工业场景下弱纹理、多工件任意位姿工件的抓取任务。
-
公开(公告)号：CN112308961B
公开(公告)日：2022-06-10
申请号：CN202011222532.1
申请日：2020-11-05
Applicant: 湖南大学
IPC: G06T17/00 , G06T7/30 , G06T5/00 , G06K9/62 , G06V10/762
Abstract: 本发明公开了基于分层高斯混合模型的机器人快速鲁棒三维重建方法。该方法包含以下步骤：机器人获取测量对象点云数据，GPU加速生成分层高斯混合模型和测试集，构建及更新配准网络，全局优化配准网络，更新重建的高斯混合模型，重复上述步骤直到机器人在所有测量点完成测量，重建测量对象的三维点云模型，分析和评估重建结果。该方法通过GPU并行计算加速点云数据生成分层高斯混合模型，同时能有效处理噪声和测量的不确定性，提高三维重建的速度和效率，通过构建配准网络和更新配准网络，以及全局优化配准网络来减少联合配准误差，保证三维重建的精度。本发明自动化程度高、重建速度快、鲁棒性强，特别适用于工业场景大型测量对象的稠密点云三维重建。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.025 seconds)
