公开(公告)号：CN116630775A

公开(公告)日：2023-08-22

申请号：CN202310597443.2

申请日：2023-05-25

Applicant: 吉林大学

Inventor： 刘国红 ,  王浩明 ,  杨丽晶 ,  张利平 ,  何金其

IPC: G06V10/82 ,  G06V10/774 ,  G06V10/94 ,  G06V10/764 ,  G06V10/96 ,  G06N3/045 ,  G06N3/092 ,  G06N3/098

Abstract: 本发明适用于遥操作领域，提供了一种基于异步联邦学习和DDQN的表面材质分类方法，建立全局DDQN模型并初始化模型参数，并行地开启客户端调度和模型参数聚合进程，随机选择客户端触发训练并发送全局模型参数和通信轮次，对视触数据处理，构建DDQN环境，计算时间差分误差，更新模型参数，将参数传递到服务端，服务端利用聚合算法进行全局参数更新，再次选择进行训练的客户端，完成通信，并对复杂场景设计调度聚合算法。本发明在本地数据的大小和多样性方面均存在较大差异的情况下，也能让每个用户也都能训练出代表整个数据源的DDQN模型；用服务端和客户端通信时仅传输模型参数，不仅显著减少了通信数据量，而且保证了每个客户端的数据安全。

公开(公告)号：CN118036773A

公开(公告)日：2024-05-14

申请号：CN202410312401.4

申请日：2024-03-19

Applicant: 吉林大学

Inventor： 刘国红 ,  杨丽晶 ,  王浩明 ,  汪文卓 ,  高宇聪 ,  邹卓雅

IPC: G06N20/00 ,  G06N3/092 ,  G06N3/084 ,  G06N3/0475 ,  G06N3/0455 ,  G06N3/0464 ,  G06F17/18 ,  G06F18/24 ,  H04L67/12

Abstract: 本发明适用于触觉互联网技术领域，提供了基于优化联邦学习和闭环学习的触觉信号跨模态生成方法，包括以下步骤：在服务端中建立全局闭环模型并初始化模型参数，并开启客户端调度进程；本地客户端利用闭环结构的反馈机制来实现准确性和复杂性之间的权衡，为本地客户产生触觉摩擦，更新模型参数并上传至服务器；服务器接收到更新的参数后，利用深度强化学习确定各个客户端的聚合权重，完成一次通信。本发明提供的方法，即使当不同客户之间的表面材料数据不平衡时，该方法产生的触觉摩擦也与实际触觉摩擦保持紧密匹配；与现有跨模态生成方法相比，闭环学习不仅可以提高生成精度，还能降低计算复杂度，实现了准确性和复杂性之间的权衡。

公开(公告)号：CN116958380A

公开(公告)日：2023-10-27

申请号：CN202310674512.5

申请日：2023-06-08

Applicant: 吉林大学

Inventor： 刘国红 ,  马靖凯 ,  李春雨 ,  杨丽晶 ,  张利平 ,  何金其

IPC: G06T15/04 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/0475 ,  G06N3/084

Abstract: 本发明适用于视觉图像信息到触觉信息的跨模态生成领域，提供了一种基于循环对抗生成网络的触觉纹理特征的生成方法，包括以下步骤：（1）进行数据预处理，将训练集和测试集中所有图像剪裁并将其灰度归一化，并将触觉的摩擦数据转化为二维的振幅谱图形式；（2）选择循环生成对抗网络作为整体网络架构,构建网络的生成模型跟判别模型；（3）循环对抗生成网络目标损失函数的构建；（4）网络训练优化与参数更新；（5）质量测试。此基于循环对抗生成网络的触觉纹理特征的生成方法，纹理图像容易采集且含有表面材质的物理特性，而循环生成对抗模型能够在不失真的条件下实现不同类型数据间的相互转换。从而实现高精度的触觉纹理特征获取。