-
公开(公告)号：CN118334112A
公开(公告)日：2024-07-12
申请号：CN202410759620.7
申请日：2024-06-13
Applicant: 湖南大学
Abstract: 本发明公开了一种同型号多目标工件的抓取位姿估计方法及抓取系统，搭建抓取位姿预测网络，包括特征提取增强模块、场景分割模块和解码预测模块，获取目标工件的模型点云和场景点云，特征提取增强模块对模型点云与场景点云分别进行特征提取和增强，得到第一模型点云特征、第一场景点云特征、第二模型点云特征和第二场景点云特征，将第一模型点云特征和第一场景点云特征输入场景分割模块，从第一场景点云特征中提取出同型号多个目标工件对应的点云特征，将第二模型点云特征、第二场景点云特征和同型号多个目标工件对应的点云特征输入解码预测模块处理并使用非极大值抑制，得到每个目标工件的估计抓取位姿。该方法能够有效识别场景中的待抓取工件。
-
公开(公告)号：CN118054905A
公开(公告)日：2024-05-17
申请号：CN202410447184.X
申请日：2024-04-15
Applicant: 湖南大学
Abstract: 一种基于混合量子算法的连续变量量子密钥分发安全方法，包括：1、利用发送端制备光子，使用光学元件对量子态的光子进行高斯调制编码，并将编码后的光信号通过量子信道传输给接收端；2、接收端对接收的光信号进行测量，测量之后的数据通过经典信道传输给后处理程序模块；3、后处理程序模块对接收端输出的数据进行预处理，并将数据拆分成训练集和预测集；利用训练集对后处理程序模块中的混合量子算法模型进行训练；4、利用训练后的混合量子算法模型对预测集中的数据进行预测，并根据预测结果与发送端进行密匙协商，产生最终安全密钥。本发明能够识别不同类别的量子攻击，确保了连续变量量子密钥分发系统的安全运行。
-
公开(公告)号：CN116155494A
公开(公告)日：2023-05-23
申请号：CN202310197823.7
申请日：2023-03-03
Applicant: 湖南大学
Abstract: 本发明提供了基于多分类学习检测的量子密钥分发系统及其实现方法，包括发送端Alice、接收端Bob及基于多分类学习的后处理程序模块；所述发送端Alice高斯调制量子信号，并将调制后的量子信号通过量子信道发送至所述接收端Bob；所述接收端Bob为量子密钥接收端Bob，使用零差检测器来测量接收到的量子信号，使用功率计来测量本振光强度，使用时钟电路来提供时钟信号，最后通过经典量子信道将量子信号数据发送至基于多分类学习的后处理程序模块；所述基于多分类学习的后处理程序模块对量子信号数据进行分析处理，产生最终安全密钥。本发明可以检测多种针对连续变量量子密钥分发系统的量子黑客攻击，从而增强高斯调制下的连续变量量子密钥分发系统的安全性。
-
公开(公告)号：CN118054905B
公开(公告)日：2024-06-14
申请号：CN202410447184.X
申请日：2024-04-15
Applicant: 湖南大学
Abstract: 一种基于混合量子算法的连续变量量子密钥分发安全方法，包括：1、利用发送端制备光子，使用光学元件对量子态的光子进行高斯调制编码，并将编码后的光信号通过量子信道传输给接收端；2、接收端对接收的光信号进行测量，测量之后的数据通过经典信道传输给后处理程序模块；3、后处理程序模块对接收端输出的数据进行预处理，并将数据拆分成训练集和预测集；利用训练集对后处理程序模块中的混合量子算法模型进行训练；4、利用训练后的混合量子算法模型对预测集中的数据进行预测，并根据预测结果与发送端进行密匙协商，产生最终安全密钥。本发明能够识别不同类别的量子攻击，确保了连续变量量子密钥分发系统的安全运行。
-
公开(公告)号：CN112837356B
公开(公告)日：2024-05-31
申请号：CN202110165409.9
申请日：2021-02-06
Applicant: 湖南大学
IPC: G06T7/33 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/088
Abstract: 本发明提供了一种基于WGAN的无监督多视角三维点云联合配准方法包括如下步骤：步骤S1、获取不同视角的点云；步骤S1、对所有视角的点云进行下采样；步骤S3、从标准模型中采样；步骤S4、对多视角点云联合配准WGAN的生成器网络进行训练；步骤S5、对多视角点云联合配准WGAN的判别器网络进行训练；步骤S6、判断是否终止训练：设定生成器和判别器训练的次数均为M次，若达到M次则终止训练，若未达到M次则回到步骤S4。本发明设计了一种多视角点云配准网络生成点云模型，相较于传统的配准方法，具有对初始化更强的鲁棒性，有利于在生产线上实时运行，既不存在视角偏置，也不存在累计误差。
-
Patent Agency Ranking
公开(公告)号：CN117541809A
公开(公告)日：2024-02-09
申请号：CN202311394646.8
申请日：2023-10-25
Applicant: 湖南大学
IPC: G06V10/44 , G06T7/73 , G06V10/75 , G06V10/766
Abstract: 本发明公开了一种基于点云同名点对应的三维测量特征提取方法，搭建三维测量特征提取网络模型，该模型包括源点云数据采集模块、目标点云数据采集模块、点云匹配模块和最优传输模块，源点云数据采集模块对设计模型进行采样得到源点云,目标点云数据采集模块对目标物体进行数据采集得到目标点云，分别对源点云和目标点云进行预处理，点云匹配模块接收预处理后的源点云和目标点云并处理，得到匹配概率回归矩阵，最优传输模块接收匹配概率矩阵并分离出矩阵中的非对应点，得到最终匹配概率矩阵，根据最终匹配概率矩阵在目标物体上找到对应的点集作为目标物体的三维测量特征。该方法能够提高测量特征提取的准确性和鲁棒性、具备较高的实时性能。
-
公开(公告)号：CN112461210B
公开(公告)日：2021-12-24
申请号：CN202011498963.0
申请日：2020-12-18
Applicant: 湖南大学
Abstract: 本发明公开了一种空地协同建筑测绘机器人系统及其测绘方法，包括空中无人机、地面移动机器人和服务器终端，空中无人机携带有第一激光雷达、第一IMU、双目鱼眼相机、第一彩色相机、第一处理器，通过空中无人机建立建筑物基于其顶面及高处立面的第一局部点云模型；地面移动机器人携带有第二激光雷达、第二IMU、第二彩色相机、第二处理器，通过地面移动机器人建立建筑物基于其底部的第二局部点云模型；服务器终端通过无线通讯模块分别与空中无人机和地面移动机器人连接，在服务器终端完成第一局部点云模型和第二局部点云模型的融合，生成完整的建筑物点云模型。本发明在提高建模完整性的同时，还具有精度准、效率高的优点。
-
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：CN118334112B
公开(公告)日：2024-09-06
申请号：CN202410759620.7
申请日：2024-06-13
Applicant: 湖南大学
Abstract: 本发明公开了一种同型号多目标工件的抓取位姿估计方法及抓取系统，搭建抓取位姿预测网络，包括特征提取增强模块、场景分割模块和解码预测模块，获取目标工件的模型点云和场景点云，特征提取增强模块对模型点云与场景点云分别进行特征提取和增强，得到第一模型点云特征、第一场景点云特征、第二模型点云特征和第二场景点云特征，将第一模型点云特征和第一场景点云特征输入场景分割模块，从第一场景点云特征中提取出同型号多个目标工件对应的点云特征，将第二模型点云特征、第二场景点云特征和同型号多个目标工件对应的点云特征输入解码预测模块处理并使用非极大值抑制，得到每个目标工件的估计抓取位姿。该方法能够有效识别场景中的待抓取工件。
-
公开(公告)号：CN116433493B
公开(公告)日：2023-09-22
申请号：CN202310664984.2
申请日：2023-06-07
Applicant: 湖南大学
IPC: G06T3/40 , G06T7/33 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于度量学习的工件点云集合拼接方法，包括：训练阶段：用于训练数据准备；采用有监督度量学习方式对训练数据进行训练，构建点云特征提取网络模型；拼接阶段：对采集到的点云集合进行预处理；通过训练好的点云特征提取网络模型提取点云的点特征，并估计同名点及其平均特征距离；根据同名点平均特征距离求解拼接成功置信度，对点特征进行离群值去除后求解相对变换参数，根据相对变换参数和拼接成功置信度构建最小生成树，将全部点云变换到最小生成树的中心节点下，实现点云集合的拼接。解决了现有技术依赖于外部高精度设备的问题，降低了拼接成本，使用数据驱动的方法实现点云集合的拼接，提高了拼接的准确度和速度。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.024 seconds)
