公开(公告)号：CN118990500A

公开(公告)日：2024-11-22

申请号：CN202411291302.9

申请日：2024-09-14

Applicant: 东华大学

Inventor： 刘华山 ,  梁浩天 ,  肖新杰 ,  王崇 ,  邢逸飞 ,  杨景鹏 ,  郑逸鉴 ,  冯焘

IPC: B25J9/16

Abstract: 本发明涉及一种基于生成对抗学习的机器人七自由度抓取方法，通过引入增强抓取评估方法和生成对抗学习，综合考虑抓取稳定性、接触点分布平衡性、质心距离和接触点不共面性等多种评分指标，全面评估抓取位姿；基于霍夫投票的集合抽象层网络与PnP3D网络特征提取器，并结合多流通道关联注意力网络，精细提取点云特征，提升抓取预测精度；通过生成对抗优化特征提取结果，使模型在不同环境和物体变化下具有更高的鲁棒性和精度，显著提升抓取成功率，解决了传统的六自由度抓取方法抓取预测的成功率和鲁棒性较低、精度和稳定性不高的问题，能够在复杂环境中实现对多样化物体的精准抓取,确保抓取姿态更接近真实值,为智能机器人抓取技术的发展提供有力支持。

公开(公告)号：CN119871415A

公开(公告)日：2025-04-25

申请号：CN202510128959.1

申请日：2025-02-05

Applicant: 东华大学

Inventor： 刘华山 ,  杨景鹏 ,  肖新杰 ,  张国敬 ,  郑逸鉴 ,  梁浩天 ,  邢逸飞 ,  王崇 ,  冯焘

IPC: B25J9/16

Abstract: 本发明提供了一种基于阶段性采样与进步趋势奖励的机器人强化学习训练方法。先通过引入改进型三记忆库的记忆库结构，结合在机器人运动规划技能训练中不同阶段的特征，进行记忆库两两组合采样的方式进行针对性经验回放。随后，在训练后期，采用探索记忆库经验迁移的方式，将筛选后得到的优质探索经验替换原有的专家经验，以达到自学习、避免过拟合的目的。最后，对探索记忆库中连续存储的小范围经验使用进步趋势评估方法进行训练评估，并将评估结果表示为当前机器人的进步奖励，从而在不影响学习质量的前提下提升机器人的任务技能学习效率。该方法能够在复杂障碍物场景中实现有效快速的运动规划，为机器人技能在不同场景中的泛化提供原理性支持。

公开(公告)号：CN119283018A

公开(公告)日：2025-01-10

申请号：CN202411240456.5

申请日：2024-09-05

Applicant: 东华大学

Inventor： 刘华山 ,  邢逸飞 ,  王崇 ,  梁浩天 ,  杨景鹏 ,  郑逸鉴 ,  肖新杰

IPC: B25J9/16 ,  B25J9/04

Abstract: 本发明涉及一种基于深度强化学习的机器人投掷运动规划方法，包括以下步骤：通过虚拟仿真环境构建机器人投掷任务的数据集；将数据集用于训练神经网络预测投掷物体的落点；基于深度强化学习算法，通过机器人与预测落点的深度神经网络不断试错学习，以获得投掷行为的物理参数；将网络输出投掷行为的物理参数直接部署到实物环境中，进而控制机器人执行实际的投掷任务。本发明通过一个深度神经网络去拟合虚拟仿真环境的投掷行为，避免了强化学习中采用虚拟仿真环境训练时间过长的问题。虚拟仿真环境与实物环境1:1还原，既能避免直接在实物机器人训练的安全问题，能将训练好的模型直接迁移到实物平台上，实现了机器人自主执行投掷任务。