-
公开(公告)号：CN116330302B
公开(公告)日：2023-08-22
申请号：CN202310604486.9
申请日：2023-05-26
Applicant: 安徽大学
IPC: B25J9/16
Abstract: 本发明涉及超冗余机器人运动规划技术领域，解决了现有超冗余机器人空间运动步态计算量大，进而导致超冗余机器人运动规划不实时的技术问题，尤其涉及一种基于标架化空间曲线的运动规划方法，该方法包括以下步骤：S1、构建空间参数曲线C(t)作为超冗余机器人的背脊曲线，并计算背脊曲线起始处的单位切向量、单位法向量及单位副法向量构成空间参数曲线初始处的坐标系。本发明通过计算最小旋转标架进行离散化，避免了曲率挠率的计算，对背脊曲线的形状和种类没有要求，对于超冗机器人背脊曲线离散化避免了大量的曲率挠率及积分计算，可以提高计算效率。
-
公开(公告)号：CN115079574B
公开(公告)日：2022-11-08
申请号：CN202210844698.X
申请日：2022-07-19
Applicant: 安徽大学
IPC: G05B13/04
Abstract: 本发明公开了一种挠性高超声速飞行器分布式故障补偿控制方法，包括：根据飞行器的结构及飞行环境，采用T‑S模糊控制技术将常微分系统进行分段线性化；基于偏微分系统建立分布式故障下的挠性高超声速飞行器纵向动力学系统模型；构造可逆的状态变换，将分布式故障全部传递至偏微分系统的边界上，得到等价动力学系统模型；建立T‑S模糊容错控制框架，实现飞行器的状态在分布式故障下一致有界稳定；引入鲁棒性能指标，实现飞行器的状态在分布式故障下渐近稳定。本发明分布式故障补偿控制方法保证飞行器在发生分布式故障时，仍能够完成既定的飞行任务，提高了飞行器运行的可靠性及安全性。
-
公开(公告)号：CN114384920B
公开(公告)日：2022-06-10
申请号：CN202210284948.9
申请日：2022-03-23
Applicant: 安徽大学
IPC: G05D1/02
Abstract: 本发明公开了一种基于局部栅格地图实时构建的动态避障方法，包括：将获取实际室内场景RGBD图像数据输入到完成训练的障碍物检测及语义分割网络中，提取出实际室内场景中不同类型障碍物和语义分割结果，并生成带有语义信息的三维点云数据；基于三维点云数据，提取场景中障碍物的状态信息，输入动态障碍物轨迹预测模型，预测出实际室内场景中动态障碍物的轨迹，从而构建局部栅格地图，再基于动态避障模型，实时发布移动机器人导航过程中避开各种类型障碍物的速度指令。本发明的导航避障方法适用于室内场景中移动机器人的导航，提高了移动机器人对环境障碍物的感知能力，从而进一步提高了移动机器人实际导航的安全性。
-
公开(公告)号：CN114384920A
公开(公告)日：2022-04-22
申请号：CN202210284948.9
申请日：2022-03-23
Applicant: 安徽大学
IPC: G05D1/02
Abstract: 本发明公开了一种基于局部栅格地图实时构建的动态避障方法，包括：将获取实际室内场景RGBD图像数据输入到完成训练的障碍物检测及语义分割网络中，提取出实际室内场景中不同类型障碍物和语义分割结果，并生成带有语义信息的三维点云数据；基于三维点云数据，提取场景中障碍物的状态信息，输入动态障碍物轨迹预测模型，预测出实际室内场景中动态障碍物的轨迹，从而构建局部栅格地图，再基于动态避障模型，实时发布移动机器人导航过程中避开各种类型障碍物的速度指令。本发明的导航避障方法适用于室内场景中移动机器人的导航，提高了移动机器人对环境障碍物的感知能力，从而进一步提高了移动机器人实际导航的安全性。
-
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。
-
Patent Agency Ranking
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：CN117681212B
公开(公告)日：2024-05-14
申请号：CN202410143186.X
申请日：2024-02-01
Applicant: 安徽大学
IPC: B25J9/16
Abstract: 本发明涉及基于动力学参数辨识和快速终端滑模协作机器人控制方法，包括：通过拉格朗日法建立协作机器人的动力学模型；通过动力学参数辨识来估算获得精确的动力学参数，将精确的动力学参数代入动力学模型中，获得估计的动力学方程；计算关节跟踪误差并设计快速终端滑模面；在估计的动力学方程的基础上，设计快速终端滑模面的趋近律和控制方程；使用设计的控制方程来跟踪梯形速度轨迹，已验证控制方案的有效性。本发明的协作机器人控制方法是一种基于动力学模型的滑模鲁棒控制，首先，通过动力学参数辨识获得估计的动力学方程。其次，以动力学为基础，设计新的快速终端滑模面和趋近律，以提高跟踪误差收敛速度和系统鲁棒性，具有广阔的应用前景。
-
公开(公告)号：CN117631691B
公开(公告)日：2024-04-12
申请号：CN202410103249.9
申请日：2024-01-25
Applicant: 安徽大学
IPC: G05D1/46 , G05D109/20
Abstract: 本发明涉及一种多旋翼无人机抓取轨迹设计方法、装置、设备及介质，包括：对机载相机采集的位置信息进行滤波处理，获取滤波后的目标物位置信息；获取滤波后的目标物位置信息后，以当前位置作为起点，以目标物位置作为抓取点，在抓取平面的前进方向上增加一个合理高度的终点，设计由起点、抓取点和终点3个路径点组成的抓取轨迹；模仿老鹰捕猎飞行曲线来建立抓取轨迹的目标函数，并通过求解目标函数的最小值来生成最优抓取轨迹；通过时间缩放方法来改变生成的最优抓取轨迹的运动时间，得到经过时间缩放后的新抓取轨迹，实现抓取轨迹调速功能。本发明设计的空中抓取轨迹有很好的仿生性和速度可调性，能够提高空中抓取作业的成功率，实际可行性强。
-
公开(公告)号：CN117681212A
公开(公告)日：2024-03-12
申请号：CN202410143186.X
申请日：2024-02-01
Applicant: 安徽大学
IPC: B25J9/16
Abstract: 本发明涉及基于动力学参数辨识和快速终端滑模协作机器人控制方法，包括：通过拉格朗日法建立协作机器人的动力学模型；通过动力学参数辨识来估算获得精确的动力学参数，将精确的动力学参数代入动力学模型中，获得估计的动力学方程；计算关节跟踪误差并设计快速终端滑模面；在估计的动力学方程的基础上，设计快速终端滑模面的趋近律和控制方程；使用设计的控制方程来跟踪梯形速度轨迹，已验证控制方案的有效性。本发明的协作机器人控制方法是一种基于动力学模型的滑模鲁棒控制，首先，通过动力学参数辨识获得估计的动力学方程。其次，以动力学为基础，设计新的快速终端滑模面和趋近律，以提高跟踪误差收敛速度和系统鲁棒性，具有广阔的应用前景。
-
公开(公告)号：CN117168468A
公开(公告)日：2023-12-05
申请号：CN202311452155.4
申请日：2023-11-03
Applicant: 安徽大学
IPC: G01C21/20
Abstract: 本发明公开了一种基于近端策略优化的多无人艇深度强化学习协同导航方法，对单个无人艇进行数学建模，确定无人艇水平面运动的运动学模型及动力学模型；将多无人艇多目标导航问题建模为马尔科夫决策过程，确定状态空间以及动作空间；根据多无人艇多目标导航的目标，建立考虑无人艇与障碍物发生碰撞情况以及无人艇与其余的无人艇发生碰撞情况的差分奖励函数；获取多个无人艇的状态信息，输入多智能体深度强化学习模型，得到多个无人艇的动作；采用训练后的多智能体深度强化学习模型进行多无人艇多目标导航。解决了多个无人艇可能因为选择同一个目标点而产生冲突的问题，从而可以引导多个无人艇通过合作在避碰避障的前提下实现多目标导航。
-
-
-
-
-
-
-
-
-
Search Results
53
records
(took 0.024 seconds)
