-
公开(公告)号：CN119620750A
公开(公告)日：2025-03-14
申请号：CN202411636135.7
申请日：2024-11-15
Applicant: 哈尔滨工业大学
IPC: G05D1/43 , G01C21/20 , G06N3/0442 , G06N3/092 , G05D1/633 , G05D1/644 , G05D1/648 , G05D109/30
Abstract: 基于多模态多任务强化学习的异构多无人系统任务决策与路径规划方法，它属于人工智能领域。本发明解决了单一类别智能体无法完成复杂任务的问题。将多模态信息进行统一编码，从编码结果中提取双方无人艇位置信息和障碍物信息后，输入到基于PPO的强化学习算法中进行任务决策，再将多任务信息发送给无人艇。红方无人艇对接收到的多任务文本信息进行预处理，将获取到的自身位置、目标位置和障碍物位置信息作为路径规划的状态空间，根据规划的路径到达目标位置后执行指定任务，直至到达任务切换时刻，根据更新的各无人机总奖励来更新强化学习算法中网络参数，基于更新后的参数重新决策任务。本发明方法可以应用于异构多无人系统的任务决策与路径规划。
-
公开(公告)号：CN117349571B
公开(公告)日：2025-01-28
申请号：CN202311298456.6
申请日：2023-10-09
Applicant: 哈尔滨工业大学
Abstract: 一种基于视觉测量的航天器短弧定轨方法，本发明涉及基于视觉测量的航天器短弧定轨方法。本发明的目的是为了解决现有的短弧定轨方法受观测时间长短影响较大的问题。过程为：1：获取观测航天器的轨道参数以及相机的相关参数；2：确定捕获目标航天器图像的时间戳间隔；3：获取目标航天器图像所在的像素进行处理，获得处理后图像；4：得到灰度叠加后图像；5：解算相机坐标系下目标航天器相对观测航天器的方向向量；6：解算地心惯性坐标系下目标航天器相对观测航天器的方向向量；7：将观测航天器的位置向量序列与地心惯性坐标系下目标航天器方向向量序列作为输入，优化目标航天器的轨道六根数。本发明涉及航天器轨道参数估计领域。
-
公开(公告)号：CN116352693B
公开(公告)日：2025-01-28
申请号：CN202310393179.0
申请日：2023-04-13
Applicant: 哈尔滨工业大学
Abstract: 考虑绳索空间同步性的绳驱并联系统智能控制方法，属于多绳索并联驱动系统控制领域。本发明解决现有技术忽略了绳索空间中的各绳索长度的同步性对末端执行器的控制精度和稳定性产生影响的问题。本发明先构建绳索空间下的理论偏差耦合误差向量，利用理论偏差耦合误差向量构建智能同步控制器；采用深度强化学习算法并结合理论偏差耦合误差向量对深度神经网络进行训练；通过训练后深度神经网络对构建的实际偏差耦合误差向量进行识别，输出当前动作对智能同步控制器中的Kcp和Kcd进行优化，并结合利用实际偏差耦合误差向量生成的实际偏差控制信号与基础控制器输出的控制信号配合生成同步控制信号。本发明主要用于对绳驱并联系统中的电机进行控制。
-
公开(公告)号：CN117464687B
公开(公告)日：2024-11-15
申请号：CN202311655229.4
申请日：2023-12-05
Applicant: 哈尔滨工业大学
IPC: B25J9/16
Abstract: 一种基于深度强化学习的非合作目标捕获方法，它属于空间机械臂控制与非合作目标捕获领域。本发明解决了当同时要求目标捕获和能量、时间损失性能优化时，现有深度强化学习算法训练的时间成本高以及目标捕获的成功率低的问题。本发明针对空间机械臂非合作目标抓捕这类复杂高维控制问题，提出了预训练加主任务训练的方法，在预训练过程中完成目标抓捕任务，并在主任务训练过程中对抓捕时的待优化目标函数进行优化，解决了在训练过程中同时进行抓捕和目标函数优化时存在的训练成功率低，算法难以收敛的问题，而且训练时间成本较低、利用训练好的控制策略进行目标捕获的成功率高。本发明方法可以应用于非合作目标捕获。
-
公开(公告)号：CN118887423A
公开(公告)日：2024-11-01
申请号：CN202410907240.3
申请日：2024-07-08
Applicant: 哈尔滨工业大学
IPC: G06V10/62 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/092 , G06N3/0985 , G06F30/20 , G06T17/00
Abstract: 一种基于深度强化学习的空间非合作目标主动视觉跟踪方法，它属于航空航天技术领域。本发明解决了现有主动视觉跟踪方法无法适应复杂的动态太空环境以及跟踪效果差的问题。本发明提出端到端的基于深度强化学习的主动视觉跟踪器，以可见光或RGBD图像作为输入，直接输出航天器控制指令，完成主动视觉跟踪任务。并设计多种架构的深度神经网络来近似动作价值函数，可以在保障跟踪精度的同时，大幅提高了算法灵活性，通过选取不同的网络结构可以适配不同的算力平台或应用场景，更好地适应复杂的动态太空环境。同时可以有效应对外部扰动，具有较强的鲁棒性。本发明方法可以应用于对空间非合作目标的主动视觉跟踪。
-
Patent Agency Ranking
公开(公告)号：CN118192653A
公开(公告)日：2024-06-14
申请号：CN202410400906.6
申请日：2024-04-03
Applicant: 哈尔滨工业大学
Abstract: 一种基于轴角交叉耦合的卫星编队姿态协同控制方法，它属于卫星编队系统与协同控制技术领域。本发明解决了现有方法无法实现编队中成员卫星响应速度不同情况下的高性能姿态协同控制的问题。本发明方法为：步骤1、基于成员卫星姿态跟踪误差四元数求解姿态误差的轴角信息并传递给其他成员卫星；步骤2、根据轴角信息计算成员卫星与其相通信卫星的交叉耦合协同误差角并限幅，通过自适应函数计算跟踪误差角修正量，再对成员卫星的跟踪误差角进行修正并限幅，计算修正后的跟踪误差四元数；步骤3、计算成员卫星的跟踪误差四元数变化率，设计成员卫星的自适应终端滑动模态，最后计算成员卫星的姿态控制量。本发明方法可以应用于卫星编队的协同观测任务。
-
公开(公告)号：CN117555235A
公开(公告)日：2024-02-13
申请号：CN202311544716.3
申请日：2023-11-17
Applicant: 哈尔滨工业大学
IPC: G05B13/04 , G06F30/27 , G06F30/17 , G06F30/15 , G06N20/00 , G06F119/14 , G06F119/10
Abstract: 一种基于参数自适应学习的在轨手传振动主动抑制方法，本发明涉及一种在轨服务过程手传振动的主动抑制方法。本发明为解决现有传统的指令整形振动抑制方法鲁棒性较差，难以克服实际在轨服务过程手传振动动力学模型中可能的干扰和不确定性；以及当外界干扰超出一定范围时，在轨服务过程手传振动动力学模型输出将处于发散状态而失控，将带来极大的危险性的问题。过程为：1：获得在轨服务过程手传振动动力学模型状态方程；2：求解指令整形器的参数；3：获得手传振动受力；4：对手传振动受力进行积分得到新的5：基于计算状态变量，确定在轨服务过程手传振动指令整形各脉冲的幅值构成的行向量。本发明属于航空航天及自动化领域。
-
公开(公告)号：CN116460855A
公开(公告)日：2023-07-21
申请号：CN202310577224.8
申请日：2023-05-22
Applicant: 哈尔滨工业大学
Abstract: 一种基于扩展滑模观测器的单连杆机械臂控制方法，它属于单连杆机械臂控制技术领域。本发明解决了当执行器发生故障时，采用现有方法获得的控制效果差的问题。本发明方法具体为：步骤一、建立电机驱动的单连杆机械臂的动力学模型以及电机的故障模型；步骤二、基于状态空间法，根据步骤一中的动力学模型以及电机的故障模型建立含有执行器故障的单连杆机械臂系统模型；步骤三、设计用于估计单连杆机械臂系统状态与执行器故障的滑模观测器；步骤四、基于滑模观测器的估计结果设计积分型滑模控制器，利用设计的积分型滑模控制器对单连杆机械臂进行控制。本发明方法可以应用于单连杆机械臂控制。
-
公开(公告)号：CN114911263B
公开(公告)日：2023-05-12
申请号：CN202210656391.7
申请日：2022-06-10
Applicant: 哈尔滨工业大学
IPC: G05D1/10
Abstract: 基于同伦法的多无人机同步到达轨迹规划方法、存储介质及设备，属于多无人机轨迹规划领域。为了解决目前的多无人机轨迹规划或者控制方法不能很好的满足多无人机同步到达的问题。本发明基于架无人机的运动学模型和轨迹角和控制变量遵守约束构建多无人机同步到达问题的模型，并对同步到达问题进行离散化，然后基于无人机的初始位置、初始姿态、目标位置、目标姿态，轨迹角的上、下界，轨迹角的控制变量的上、下界，航向角的控制变量的上界，以及距离步长，经过同步到达规划方法得到同步轨迹并基于同伦法对无人机的轨迹进行具体规划。本发明主要用于多无人机的同步到达轨迹规划。
-
公开(公告)号：CN114995137B
公开(公告)日：2023-04-28
申请号：CN202210617587.5
申请日：2022-06-01
Applicant: 哈尔滨工业大学
IPC: G05B13/04
Abstract: 基于深度强化学习的绳驱并联机器人控制方法，属于绳驱并联机器人领域，本发明为解决现有精确动力学模型没有考虑不确定性的影响或者在运动过程中绳驱并联机器人发生了变化，控制性能低的问题。本发明方法包括以下步骤：第一步、建立绳驱并联机器人的动力学模型，将绳驱并联机器人的动力学模型描述成马尔科夫决策过程；第二步、利用Lyapunov的柔性actor‑critic强化学习算法框架获取动作控制信号ur(m)，第三步、将基本控制器输出的动作控制信号ua(m)与强化学习算法框架获取动作控制信号ur(m)叠加生成绳驱并联机器人的控制信号。
-
-
-
-
-
-
-
-
-
Search Results
230
records
(took 0.058 seconds)
