-
公开(公告)号：CN119740674A
公开(公告)日：2025-04-01
申请号：CN202411777334.X
申请日：2024-12-05
Applicant: 安徽大学
IPC: G06N7/01
Abstract: 本发明涉及水陆跨域机器人控制技术领域，解决了现有技术难以实现水陆跨域机器人运动控制的技术问题，尤其涉及一种基于优化贝叶斯网络的水陆跨域机器人运动控制方法，包括构建三层贝叶斯网络结构，通过MMPC‑K2算法进行三层贝叶斯网络结构的结构学习，采用引入置信度改进的IF‑THEN推理规则进行贝叶斯网络模型的参数学习，将概率最大的决策方案反馈至所设计的CPG输出网络中控制水陆跨域机器人腿部执行步态切换。本发明能够综合考虑所有传感器信息，利用评分最高的网络结构、输入节点先验概率与改进IF‑THEN规则输出最优方案，实现水陆跨域机器人自主决策，以及实现机器人腿部根据不同地形切换相对应的步态。
-
公开(公告)号：CN119048584A
公开(公告)日：2024-11-29
申请号：CN202411133282.2
申请日：2024-08-19
Applicant: 安徽大学
Abstract: 本发明提出一种基于人机交互的光伏清扫机器人路径规划方法和系统，包括：基于视觉传感器采集光伏阵列图像；基于SSD算法从阵列图像中识别单个光伏板图像；根据历史参数计算单个光伏板的发电效率损失率并与图像匹配，基于改进的Inception网络积灰状态分析模型判断积灰程度；构建出光伏发电场的栅格地图，标示出单个光伏板的位置并与其积灰程度对应；基于启发神经网络规划路径，优先清扫积灰程度严重的光伏板；基于LLM模型进行人机交互，为不确定事件下的机器人重新规划安全路径。本发明提出的方法和系统使得光伏清扫机器人在复杂环境中具有高效的清扫能力，保证了发电场的整体发电效率，路径规划也得到安全保障，符合实际工程的需求。
-
公开(公告)号：CN118819305A
公开(公告)日：2024-10-22
申请号：CN202411290269.8
申请日：2024-09-14
Applicant: 安徽大学
IPC: G06F3/01 , G06F16/951 , G06N3/0464 , G06N3/044 , G06N3/08 , G06V10/764 , G06V10/82 , G06Q30/0601
Abstract: 本发明提供基于深度学习的电商产品视觉触觉联觉方法，包括以下步骤：构建视觉数据库：通过爬虫技术从电商平台爬取衣物图片，建立完备的视觉图片数据库；构建触觉文本数据库：收集市面上常见衣服材质的触觉信息，结合神经网络CNN进行分类训练；触觉神经网络模型训练：利用PyTorch框架，对图像进行识别分类，实现触觉文本信息的输出；触觉反馈设备开发。本发明结合视觉和触觉反馈，提供更加丰富的电商产品体验，利用深度学习技术，提高衣物材质识别的准确性，触觉反馈设备的开发，使得用户能够实时感知产品材质特性，采用全新的触觉输出技术，减少了功耗，提高了性能稳定性，无需实体接触，直接根据图像进行触觉模拟，节约了挑选时间和成本。
-
公开(公告)号：CN118794436A
公开(公告)日：2024-10-18
申请号：CN202410765315.9
申请日：2024-06-14
Applicant: 安徽大学
IPC: G01C21/20 , G06F18/25 , G06F18/213 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/092
Abstract: 本发明公开了一种无通信环境下基于具身智能的多自主水下机器人导航方法，包括：步骤1：每个自主水下机器人通过自身携带的传感器获取多模态的局部环境信息；步骤2：进行多模态的局部环境信息的融合；步骤3：提取环境特征值和临近自主水下机器人特征值；步骤4：对环境特征值进行学习，理解环境，并根据临近自主水下机器人特征值推测临近自主水下机器人的运动轨迹；步骤5：协作关系学习，生成导航决策；步骤6：将生成的导航决策发送给每个自主水下机器人的控制器进行编译，生成控制指令，实现对自主水下机器人的导航控制。本发明引入具身智能技术，设计了无通信多自主水下机器人协同导航方案，可实现基于具身智能的自主水下机器人导航。
-
公开(公告)号：CN118483614A
公开(公告)日：2024-08-13
申请号：CN202410586687.5
申请日：2024-05-13
Applicant: 安徽大学
IPC: G01R31/392 , G01R31/367 , G01R31/396 , G06F18/10 , G06F18/23213 , G06N3/0464 , G06N3/0455 , G06N3/096 , G06N3/045 , G06N3/0499
Abstract: 本发明涉及电池SOH估计及应用技术领域，解决了由于电池实际工况和实验室测试工况差异较大，导致计算的SOH值误差较大的技术问题，尤其涉及一种新能源汽车的动力电池SOH估计方法、系统、应用方法及电子设备，包括：对电池数据进行数据清洗得到电池运行数据；提取电池运行时的健康指标并进行聚合以及关联度分析得到多维度关键特征；将多维度关键特征输入至CNN‑Transformer模型中，通过迁移学习建立SOH数字孪生模型。本发明能够准确有效的实时估计电池单体及电池组的SOH，可以解决深度学习算法模型及机理模型实时性差的问题，实现实车SOH的精准估计，对电池管理系统安全可靠运行具有重要意义。
-
Patent Agency Ranking
公开(公告)号：CN118331288A
公开(公告)日：2024-07-12
申请号：CN202410764660.0
申请日：2024-06-14
Applicant: 安徽大学
Abstract: 本发明公开了基于语义强化学习的自主水下机器人轨迹跟踪控制方法，包括：获取海洋环境图像信息；进行强化学习训练，得到最优的运动决策；进行海洋环境特征点提取和语义理解，得到海洋环境语义；判断自主水下航行器的运动决策是否安全，若安全，则执行运动决策，否则对不安全的动作，在安全约束下利用强化学习重新做出新的运动决策，若仍不安全，则存储当前不安全事件并基于状态恢复机制重训练。本发明使自主水下机器人能够更好的理解环境信息以及变化，预测潜在的危险，能够保证自主水下机器人的安全性，一旦自主水下机器人发生碰撞，能够自动恢复到上一个最优安全状态，而不是恢复到初始状态重新开始训练，提高训练效率。
-
公开(公告)号：CN118288291A
公开(公告)日：2024-07-05
申请号：CN202410566263.2
申请日：2024-05-09
Applicant: 安徽大学
IPC: B25J9/16
Abstract: 本发明涉及机器人容错控制技术领域，解决了随着模块化机器人中重构模块数量的增加，动态规划方法会引发“维数灾”问题，使得求解HJB方程变得更加困难的技术问题，尤其涉及一种具有多传感器故障的模块化机器人输出反馈最优容错控制方法，包括：引入低通滤波器，建立传感器故障与执行器故障之间的映射关系，并根据映射关系构建融合机器人系统状态和低通滤波器输出的增广系统；根据神经网络与机器人系统的输入/输出数据建立用以在线辨识机器人系统的动力学信息与传感器故障的联合输出型故障观测器。本发明所提出的方法适用于解决多种类型传感器故障系统的容错控制问题，能够达到满意的容错控制效果，满足应用需求，且可以减少设计成本。
-
公开(公告)号：CN117311147B
公开(公告)日：2024-03-19
申请号：CN202311244051.4
申请日：2023-09-25
Applicant: 安徽大学
IPC: G05B13/04
Abstract: 本发明公开了基于双层级观测器的模块化机器人分散最优容错控制系统与方法，将模块化机器人子系统互联项的实际状态辅助变换为相应的参考状态，构建第一层级观测器以辨识子系统动力学模型，建立增广子系统以及相应的最优代价函数，得到HJB方程，构建协同调节权重的自适应评判网络以求解HJB方程，得到无故障情形下的分散跟踪控制律，在机器人系统发生执行器乘性故障时，构建第二层级观测器，以估计执行器有效因子，将估计的有效因子与分散跟踪控制律结合，得到分散最优容错控制策略，实现模块化机器人的分散最优容错控制。本发明能够达到满意的容错控制效果，满足应用需求。
-
-
公开(公告)号：CN117114088A
公开(公告)日：2023-11-24
申请号：CN202311338634.3
申请日：2023-10-17
Applicant: 安徽大学
Abstract: 本发明公开了一种基于统一AI框架的深度强化学习智能决策平台，通过参数配置模块选定深度强化学习模型的参数，利用通用模块对选定的参数进行读取，根据读取到的参数，从模型库中调取并创建相应的表征器、策略模块、学习器以及智能体，在创建策略和学习器的过程中，从数学工具中调取必要的函数定义以及优化器；同时，根据读取到的参数，在原始环境基础上创建向量环境，并实例化环境，将实例化环境和智能体输入运行器中计算动作输出，并在环境中执行动作，实现智能决策。该智能决策平台对不同功能和结构的深度强化学习模型进行模块化设计，从而兼容多种AI框架。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.019 seconds)
