-
公开(公告)号：CN114218624A
公开(公告)日：2022-03-22
申请号：CN202111399771.9
申请日：2021-11-24
Applicant: 季华实验室
Abstract: 本发明提供了一种基于深度强化学习的二维异形件排样方法，涉及二维异形件排样技术领域，基于深度强化学习对排样问题的场景建模，由被切割的木块和已切割出的木块形状构建观测空间，以需要分割出的形状的尺寸建行动空间，设置奖惩机制，配置深度强化学习训练环境，通过深度强化学习训练排样策略，自动探索和采样，生成训练数据，通过反向传播不断优化策略，直到满足排样任务规定的条件。本发明有益效果：提升搜索的效率，能够应对复杂的二维异形件的排样问题，可以较低成本在不同的需求场景下例如更改母块形状、子块形状、最低切割数量等复用得到新的解决方案。
-
Patent Agency Ranking
公开(公告)号：CN113459109A
公开(公告)日：2021-10-01
申请号：CN202111029472.6
申请日：2021-09-03
Applicant: 季华实验室
IPC: B25J9/16
Abstract: 本发明涉及机械臂控制技术领域，提供了一种机械臂路径规划方法、装置、电子设备及存储介质，通过获取空间坐标系下的第一起点位姿和第一终点位姿，并获取障碍物位置信息；根据空间坐标系下的第一起点位姿和第一终点位姿，通过运动学逆解算计算关节坐标系下对应的第二起点位姿和第二终点位姿；以每个关节为一个智能体，以关节的角度为智能体的状态集，以{‑θ，θ，0}为智能体的动作集，根据预设的碰撞检测规则和奖惩机制，利用多智能体强化学习算法生成从第二起点位姿到达第二终点位姿的路径；其中，θ为各关节的预设的最小运动步长；从而可避免由空间坐标通过逆运动学解算计算各关节角度而导致的奇异解和多解问题，并保证机械臂运行的平稳性。
-
公开(公告)号：CN114218624B
公开(公告)日：2024-12-31
申请号：CN202111399771.9
申请日：2021-11-24
Applicant: 季华实验室
Abstract: 本发明提供了一种基于深度强化学习的二维异形件排样方法，涉及二维异形件排样技术领域，基于深度强化学习对排样问题的场景建模，由被切割的木块和已切割出的木块形状构建观测空间，以需要分割出的形状的尺寸建行动空间，设置奖惩机制，配置深度强化学习训练环境，通过深度强化学习训练排样策略，自动探索和采样，生成训练数据，通过反向传播不断优化策略，直到满足排样任务规定的条件。本发明有益效果：提升搜索的效率，能够应对复杂的二维异形件的排样问题，可以较低成本在不同的需求场景下例如更改母块形状、子块形状、最低切割数量等复用得到新的解决方案。
-
公开(公告)号：CN114571470B
公开(公告)日：2022-07-12
申请号：CN202210480509.5
申请日：2022-05-05
Applicant: 季华实验室
Abstract: 本发明涉及机械臂控制领域，具体为一种补偿结果优化方法、装置、电子设备和存储介质。该补偿结果优化方法的步骤包括：获取机械臂的规划运动数据；获取机械臂的实际运动数据；将规划运动数据输入到完成训练的补偿模型中以获取力矩预测改正值；根据规划运动数据、实际运动数据和力矩预测改正值获取改正系数；根据力矩预测改正值和改正系数，计算力矩优化改正值；根据力矩优化改正值控制机械臂运动。本发明能够利用优化模型进一步对优化补偿结果，减少不合理的补偿结果，从而提高机械臂运动时的稳定性。
-
公开(公告)号：CN114571470A
公开(公告)日：2022-06-03
申请号：CN202210480509.5
申请日：2022-05-05
Applicant: 季华实验室
Abstract: 本发明涉及机械臂控制领域，具体为一种补偿结果优化方法、装置、电子设备和存储介质。该补偿结果优化方法的步骤包括：获取机械臂的规划运动数据；获取机械臂的实际运动数据；将规划运动数据输入到完成训练的补偿模型中以获取力矩预测改正值；根据规划运动数据、实际运动数据和力矩预测改正值获取改正系数；根据力矩预测改正值和改正系数，计算力矩优化改正值；根据力矩优化改正值控制机械臂运动。本发明能够利用优化模型进一步对优化补偿结果，减少不合理的补偿结果，从而提高机械臂运动时的稳定性。
-
公开(公告)号：CN113459109B
公开(公告)日：2021-11-26
申请号：CN202111029472.6
申请日：2021-09-03
Applicant: 季华实验室
IPC: B25J9/16
Abstract: 本发明涉及机械臂控制技术领域，提供了一种机械臂路径规划方法、装置、电子设备及存储介质，通过获取空间坐标系下的第一起点位姿和第一终点位姿，并获取障碍物位置信息；根据空间坐标系下的第一起点位姿和第一终点位姿，通过运动学逆解算计算关节坐标系下对应的第二起点位姿和第二终点位姿；以每个关节为一个智能体，以关节的角度为智能体的状态集，以{‑θ，θ，0}为智能体的动作集，根据预设的碰撞检测规则和奖惩机制，利用多智能体强化学习算法生成从第二起点位姿到达第二终点位姿的路径；其中，θ为各关节的预设的最小运动步长；从而可避免由空间坐标通过逆运动学解算计算各关节角度而导致的奇异解和多解问题，并保证机械臂运行的平稳性。
-
-
-
-
-
Search Results
6
records
(took 0.016 seconds)
