-
公开(公告)号：CN116394264A
公开(公告)日：2023-07-07
申请号：CN202310664822.9
申请日：2023-06-07
Applicant: 安徽大学
IPC: B25J9/16
Abstract: 本发明公开了基于群体编码脉冲神经网络的多机械臂协同运动规划方法，所述方法包括以下步骤：从运动场景中任意时刻的任意一个机械臂获取其周边相关机械臂的状态数据，分别设计群体编码模块，脉冲神经网络模块，群体解码模块，输出机械臂每个关节在下一个时刻应该转动的角度，实现该机械臂的自主运动规划。本发明通过基于群体编码脉冲神经网络对多机械臂的协同运动规划，使每个机械臂都考虑了其周边其他机械臂的运动，可以很大程度上减少机械臂之间的碰撞，此外，本发明是基于群体编码脉冲神经网络，只需要在出现脉冲时，将突触权重加到其神经元膜电位上，避免了传统神经网络中大量的浮点数高精度乘法运算。
-
公开(公告)号：CN115143970A
公开(公告)日：2022-10-04
申请号：CN202211065443.X
申请日：2022-09-01
Applicant: 安徽大学
Abstract: 本发明提供一种基于威胁度评估的水下航行器避障方法和系统，其中方法包括获取水下航行器向着所有可能方向运动的速度和位置；确定目标时刻水下航行器每个运动方向所经过的最佳位置以及所有运动方向中的最佳位置；所述所有运动方向中的最佳位置为水下航行器下一步的运动位置；更新每个时刻水下航行器各个运动方向的速度和位置；构建水下航行器的空间路径规划模型；构建威胁度评估网络模型；根据水下航行器的空间路径规划模型和威胁度评估网络模型进行水下航行器避障。当水下航行器在执行任务过程中出现不确定事情，能够避免水下航行器与障碍物或者其他水下航行器发生碰撞，对不确定事件的威胁评估，提高了多水下航行器的安全性和任务的完成效率。
-
公开(公告)号：CN118387087B
公开(公告)日：2025-02-07
申请号：CN202410520802.9
申请日：2024-04-26
Applicant: 安徽大学
Abstract: 本发明属于自动驾驶技术领域，具体涉及一种基于自适应避碰约束的自动泊车轨迹规划方法和系统，包括基于A*生成的粗路径找到一系列中间节点，然后使用混合A*将中间节点与起点终点连接起来得到初始可行轨迹；在第二阶段中，考虑泊车时间与舒适度设置了代价函数，并结合自适应约束建立了最优控制问题，将第一阶段得到的轨迹作为优化问题的初始解，从而求解出最优轨迹；本发明基于初始路径点的朝向角提出了一种新的寻找中间节点的方法，将全局轨迹规划分成几个较为简单的规划任务，该方法能够有效提高混合A*在全局地图中寻找可行轨迹的效率。
-
公开(公告)号：CN119310951A
公开(公告)日：2025-01-14
申请号：CN202411847217.6
申请日：2024-12-16
Applicant: 安徽大学
IPC: G05B19/418
Abstract: 本发明的一种切换事件触发控制策略下的安全分散控制方法及系统，是一种切换事件触发控制策略的网络化互联大型系统的安全分散控制方法，该事件触发机制通过有效缓解系统的通信压力，确保在遭受外部扰动或拒绝服务攻击时，系统仍能保持稳定运行和安全性。由于事件触发机制的性质，本发明通过构造一种基于可切换的事件触发机制，应用在每个互联的子系统中；再通过协同设计事件触发通信参数、安全控制器控制规律。本发明能够使得互联的大型系统在应对拒绝服务与扰动具有#imgabs0#性能水平，能够保证控制性能，获得更高的通信效率。本发明可适用于无人互联系统、智能电网的安全控制与通信优化工作等。
-
公开(公告)号：CN119188729A
公开(公告)日：2024-12-27
申请号：CN202411185015.X
申请日：2024-08-27
Applicant: 安徽大学
IPC: B25J9/16
Abstract: 本发明提供一种基于双评价网络的机械臂控制方法及其稳定性评价方法，涉及摩擦系数计算技术领域。所述方法包括：建立柔性双连杆机械臂的运动学方程；设计参考神经网络，得到参考神经网络的内部强化信号；基于参考神经网络的内部强化信号，设计评价神经网络，得到长期成本控制函数，长期成本控制函数用于找到最小化操作成本的最优控制；基于柔性双连杆机械臂的运动学方程，得到柔性双连杆机械臂的初始力矩，基于动作神经网络，得到替换后的控制力，在对FTLM系统进行轨迹跟踪控制，同时抑制系统的弹性振动，消除了对历史数据或预先存在的知识为强化信号赋值的需要。
-
Patent Agency Ranking
公开(公告)号：CN118963407A
公开(公告)日：2024-11-15
申请号：CN202411065005.2
申请日：2024-08-05
Applicant: 安徽大学
IPC: G05D1/495 , G05D1/46 , G05D101/15 , G05D109/20
Abstract: 本发明公开一种基于改进TD3算法的无人机自主导航方法，包括：设计改进TD3算法的状态空间、动作空间、奖励函数、策略网络、价值网络、成功经验池及失败经验池；初始化状态和临时经验池，策略网络收集数据添加到临时经验池，临时经验池数据溢出则将溢出数据添加到成功经验池；判断是否达到更新条件，达到更新条件，从成功经验池和失败经验池中按照比例随机采样数据，用采样数据更新价值网络和策略网络；未达到更新条件，判断无人机是否达到终止状态，达到成功的终止状态时，将临时经验池的数据全部放到成功经验池，若是失败的终止状态，将临时经验池的数据全部放到失败经验池。本发明提高了采样数据的质量，从而提升无人机自主导航的效率。
-
公开(公告)号：CN118514080B
公开(公告)日：2024-10-29
申请号：CN202410802921.3
申请日：2024-06-20
Applicant: 安徽大学
IPC: B25J9/16
Abstract: 本发明涉及机器人技术领域，特别是指一种基于改进生成残差网络MetaCoorNet的机器人抓取姿态估计方法及系统。所述方法包括：根据MCB模块以及残差模块进行模型构建，获得MCN抓取姿态预测模型；通过外部相机对目标场景进行拍摄，获得目标图像；将目标图像输入MCN抓取姿态预测模型，获得抓取姿态；根据预设的坐标转换单应性矩阵，对抓取姿态进行坐标变换，获得机器人抓取姿态；根据机器人抓取姿态以及预设的机器人运动学模型进行逆运动求解，得到关节转动角度值；根据关节转动角度值，通过执行器执行抓取动作。本发明是一种特征提取能力强、计算成本低、位置信息融合机制精确的机器人抓取姿态估计方法。
-
公开(公告)号：CN118447341B
公开(公告)日：2024-10-01
申请号：CN202410906142.8
申请日：2024-07-08
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V20/50
Abstract: 本发明涉及无人机着陆识别技术领域，解决了传统方法无法适用于无人机面向紧急情况下实现自主着陆的技术问题，尤其涉及一种基于ST‑Swin‑T神经网络面向无人机自主着陆的场景图识别方法，包括：构建针对无人机着陆场景的数据集，并根据若干着陆场景类别将数据集分为多个安全等级；基于Swin‑T神经网络的骨干网络构建用于对无人机着陆的着陆场景图进行分类识别的识别模型ST‑Swin‑T；基于预训练模型对识别模型ST‑Swin‑T进行训练。本发明能够在面对紧急着陆场景时，通过直接检测下方的图像来判断能否降落，无需复杂计算或精确降落于特定点。并且显著提升了无人机的飞行安全性，同时为其自主学习识别着陆场景奠定了基础。
-
公开(公告)号：CN118578396A
公开(公告)日：2024-09-03
申请号：CN202410831223.6
申请日：2024-06-26
Applicant: 安徽大学
IPC: B25J9/16
Abstract: 本发明公开了一种基于时序任务持续强化学习的机械臂抓取策略优化方法，包括步骤1：收集机械臂在执行到达任务时的机械臂的状态向量及目标位置；步骤2：构建深度强化学习的神经网络模型；步骤3：根据机械臂在执行序列任务的到达任务时的机械臂的状态向量及目标位置训练网络模型，得到模型Ⅰ；步骤4：机械臂执行模型Ⅰ，当到达目标位置时，进行抓取任务的训练，得到模型Ⅱ；步骤5：使用模型Ⅰ对模型Ⅱ进行蒸馏得到模型Ⅲ，得到优化后的机械臂抓取策略；步骤6：评估模型Ⅲ的性能，检查其在不同任务场景上的表现步骤以确认模型Ⅲ是否收敛。本发明在时序任务持续强化学习的机械臂抓取中表现出更快的收敛速度和更短的抓取时间。
-
公开(公告)号：CN118514080A
公开(公告)日：2024-08-20
申请号：CN202410802921.3
申请日：2024-06-20
Applicant: 安徽大学
IPC: B25J9/16
Abstract: 本发明涉及机器人技术领域，特别是指一种基于改进生成残差网络MetaCoorNet的机器人抓取姿态估计方法及系统。所述方法包括：根据MCB模块以及残差模块进行模型构建，获得MCN抓取姿态预测模型；通过外部相机对目标场景进行拍摄，获得目标图像；将目标图像输入MCN抓取姿态预测模型，获得抓取姿态；根据预设的坐标转换单应性矩阵，对抓取姿态进行坐标变换，获得机器人抓取姿态；根据机器人抓取姿态以及预设的机器人运动学模型进行逆运动求解，得到关节转动角度值；根据关节转动角度值，通过执行器执行抓取动作。本发明是一种特征提取能力强、计算成本低、位置信息融合机制精确的机器人抓取姿态估计方法。
-
-
-
-
-
-
-
-
-
Search Results
125
records
(took 0.024 seconds)
