公开(公告)号：CN114092766A

公开(公告)日：2022-02-25

申请号：CN202111406277.0

申请日：2021-11-24

Applicant: 北京邮电大学

Inventor： 于秀丽 ,  董明帅 ,  魏世民 ,  白宇轩 ,  吴澍 ,  周麟坤 ,  杨奉豪

IPC: G06V10/774 ,  G06V10/44 ,  G06K9/62 ,  G06T7/11 ,  G06T7/80 ,  G06T7/90 ,  G06V20/10

Abstract: 本发明公开了一种基于特征注意力机制的机器人抓取检测方法，该方法提出使用注意力机制，引导抓取检测器关注于目标物体本身的特征。使得机器人能够根据目标物体自身的类别、结构及纹理特征预测该物体最合理的抓取位置。通过这种方法减小了抓取检测器的检测范围，降低了对物体抓取检测没有贡献的背景信息的影响，提高了抓取检测模型的效率。另外，这种在杂乱场景中专注于目标本体特征的抓取检测方式，更契合人类的抓取习惯，进一步推动了机器人抓取检测的智能化过程。

公开(公告)号：CN118986611A

公开(公告)日：2024-11-22

申请号：CN202410952421.8

申请日：2024-07-16

Applicant: 北京邮电大学

Inventor： 张英 ,  李剑 ,  胡忠清 ,  李危石 ,  周麟坤 ,  戴赟 ,  吕成玉 ,  温一可 ,  孙卓然 ,  魏世民

IPC: A61F5/01

Abstract: 本申请实施例提供一种具有动态调节功能的智能脊柱支具及机器人系统，包括：上环带、下环带、设置于上环带与下环带之间的多个调节杆以及控制系统；控制系统，用于根据预设的矫形力，按照预设的机构学解算法解算得到各调节杆的目标长度，根据各调节杆的目标长度和检测的各调节杆的当前长度，确定各调节杆的长度调整量，按照各调节杆的长度调整量，控制驱动单元动作，将各调节杆调整至相应的目标长度，使得所述上环带与下环带达到用于对脊柱进行矫正/支撑的目标调整姿态。本申请的支具能够动态调整对患处施加的矫形力/支撑力，提高矫形/支撑效果。

公开(公告)号：CN114167777A

公开(公告)日：2022-03-11

申请号：CN202111462821.3

申请日：2021-12-01

Applicant: 北京邮电大学

Inventor： 于秀丽 ,  董明帅 ,  魏世民 ,  吴澍 ,  周麟坤 ,  杨奉豪

IPC: G05B19/042

Abstract: 本发明公开了一种基于FPGA的便携式电动机性能分析设备的设计方法，该方法以FPGA平台为基础的对电动机各项性能数据进行采集、分析和显示。使得在电动机性能分析过程中不需要依赖于计算机以及特定的软件，可以在现场实现高效的数据采集和分析，并通过显示屏显示分析结果。

公开(公告)号：CN113469110B

公开(公告)日：2024-05-07

申请号：CN202110809540.4

申请日：2021-07-15

Applicant: 北京邮电大学

Inventor： 于秀丽 ,  杨奉豪 ,  魏世民 ,  董明帅 ,  白宇轩 ,  吴澍 ,  周麟坤

IPC: G06F18/24 ,  G06F18/213 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提供了一种基于深度学习的超宽带(UltraWide Band，UWB)非视距信号(None‑Line‑Of‑Sight，NLOS)识别方法。该方法以信号的信道脉冲响应(Channel Impulse Response，CIR)作为输入，使用双流神经网络提取信号特征，可实现非视距信号(NLOS)与视距信号(Line‑Of‑Sight，LOS)的识别。该双流神经网络的一路借鉴了ResNet18中的残差结构，以1016个时刻的CIR信号作为输入，提取信号的时域特征；另一路使用一个卷积神经网络(CNN)提取10个额外参数中的特征。为了减小输入数据中的噪声干扰并放大NLOS与LOS信号的差异性，本发明提出了一种新的能量归一化方法。此外，本发明提出了一个专用于识别NLOS和LOS信号的损失函数，使用该损失函数训练神经网络，可以加快网络收敛速度，提升识别精度。

公开(公告)号：CN113469110A

公开(公告)日：2021-10-01

申请号：CN202110809540.4

申请日：2021-07-15

Applicant: 北京邮电大学

Inventor： 于秀丽 ,  杨奉豪 ,  魏世民 ,  董明帅 ,  白宇轩 ,  吴澍 ,  周麟坤

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明公开了一种基于深度学习的超宽带(Ultra Wide Band，UWB)非视距信号(None‑Line‑Of‑Sight，NLOS)识别方法。该方法以信号的信道脉冲响应(ChannelImpulse Response，CIR)作为输入，使用双流神经网络提取信号特征，可实现非视距信号(NLOS)与视距信号(Line‑Of‑Sight，LOS)的识别。该双流神经网络的一路借鉴了ResNet18中的残差结构，以1016个时刻的CIR信号作为输入，提取信号的时域特征；另一路使用一个卷积神经网络(CNN)提取10个额外参数中的特征。为了减小输入数据中的噪声干扰并放大NLOS与LOS信号的差异性，本发明提出了一种新的能量归一化方法。此外，本发明提出了一个专用于识别NLOS和LOS信号的损失函数，使用该损失函数训练神经网络，可以加快网络收敛速度，提升识别精度。