公开(公告)号：CN111881772A

公开(公告)日：2020-11-03

申请号：CN202010641629.X

申请日：2020-07-06

Applicant: 上海交通大学 ,  北京电子工程总体研究所

Inventor： 乐心怡 ,  李霏 ,  马国财 ,  方晓猛 ,  李钧正 ,  庞栋

IPC: G06K9/00 ,  G06N3/04 ,  B25J9/16

Abstract: 本发明提供了一种基于深度强化学习的多机械臂协同装配方法和系统，包括：多源异构传感网络由机械臂本体信息、六分力传感器信号和深度相机信号构成，所述多源异构传感网络感知机械臂、零件和环境的状态信息，在服务器上构建策略模型，根据实时状态选择最优行为，并向控制器发送控制指令，控制各机械臂相互靠近、调整位姿以及定位装配，实现最大化奖励，完成智能化装配。本发明直接从高维原始数据中学习，是端到端的控制模式，并且对多模态传感信号进行融合表征，充分提取关键特征信息的同时降低样本的复杂性，提高样本的有效性。

公开(公告)号：CN111881772B

公开(公告)日：2023-11-07

申请号：CN202010641629.X

申请日：2020-07-06

Applicant: 上海交通大学 ,  北京电子工程总体研究所

Inventor： 乐心怡 ,  李霏 ,  马国财 ,  方晓猛 ,  李钧正 ,  庞栋

IPC: G06F18/25 ,  G06F18/213 ,  G06V10/40 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/092 ,  B25J9/16

Abstract: 本发明提供了一种基于深度强化学习的多机械臂协同装配方法和系统，包括：多源异构传感网络由机械臂本体信息、六分力传感器信号和深度相机信号构成，所述多源异构传感网络感知机械臂、零件和环境的状态信息，在服务器上构建策略模型，根据实时状态选择最优行为，并向控制器发送控制指令，控制各机械臂相互靠近、调整位姿以及定位装配，实现最大化奖励，完成智能化装配。本发明直接从高维原始数据中学习，是端到端的控制模式，并且对多模态传感信号进行融合表征，充分提取关键特征信息的同时降低样本的复杂性，提高样本的有效性。