CN109877832B - 一种位置确定方法、系统及相关装置 - Google Patents
一种位置确定方法、系统及相关装置 Download PDFInfo
- Publication number
- CN109877832B CN109877832B CN201910150447.XA CN201910150447A CN109877832B CN 109877832 B CN109877832 B CN 109877832B CN 201910150447 A CN201910150447 A CN 201910150447A CN 109877832 B CN109877832 B CN 109877832B
- Authority
- CN
- China
- Prior art keywords
- force
- probe
- transformation matrix
- deterministic
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000000523 sample Substances 0.000 claims abstract description 132
- 239000011159 matrix material Substances 0.000 claims abstract description 75
- 230000009466 transformation Effects 0.000 claims abstract description 74
- 230000001133 acceleration Effects 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims description 23
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 6
- 210000004872 soft tissue Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000013334 tissue model Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
Images
Landscapes
- Manipulator (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本申请所提供的一种位置确定方法，包括：根据运动学方程确定目标对象与机械臂末端的探针之间的变换矩阵；将探针的速度和加速度输入非确定性力模型，输出非确定性力；在探针上的力传感器获取探针运动时的输出力后，将输出力与非确定性力进行作差，得到实际输出力；利用变换矩阵和实际输出力，确定目标对象的目标位置。该方法利用非确定性力模型输出非确定性力，并将输出力与非确定性力进行作差，即对非确定力进行了补偿，进而得到了实际输出力，最后利用变换矩阵和实际输出力，能够更加准确地确定目标对象的目标位置。本申请还提供一种位置确定系统、设备及计算机可读存储介质，均具有上述有益效果。
Description
技术领域
本申请涉及机器人智能控制领域，特别涉及一种位置确定方法、系统、设备及计算机可读存储介质。
背景技术
随着科技的发展，机器人越来越普遍应用于多个领域，例如家居领域、工业领域、医学领域等等，相应的也就有了种类繁多的机器人。人类通常利用机器人代替或协助人类进行业务处理，那就需要机器人确定目标对象的位置，再对目标对象进行处理。可是，机器人在工作环境中进行业务处理时，由于工作环境中往往存在许多不确定因素，会影响到机器人身上的力传感器，导致力传感器的反馈结果与实际相比存在一定的误差，无法准确地确定目标对象的位置。例如，机器人在工业环境中执行装配、冲压等任务中，要求机器人末端要沿工作环境作理想的轨迹运动，还要对工作环境施加一定的力，这需要对机器人末端的位置和力同时控制才能完成目标任务。但是，在工作环境中存在许多不确定因素，尤其是在工厂这种嘈杂的工作环境下，力传感器的反馈结果与实际相比总存在一定误差，无法准确确定机械设备的位置。
因此，如何准确地确定目标对象的位置是本领域技术人员亟需解决的技术问题。
发明内容
本申请的目的是提供一种位置确定方法、系统、设备及计算机可读存储介质，能够准确地确定目标对象的位置。
为解决上述技术问题，本申请提供一种位置确定方法，包括：
根据运动学方程确定目标对象与机械臂末端的探针之间的变换矩阵；
将所述探针的速度和加速度输入非确定性力模型，输出非确定性力；
在所述探针上的力传感器获取所述探针运动时的输出力后，将所述输出力与所述非确定性力进行作差，得到实际输出力；
利用所述变换矩阵和所述实际输出力，确定所述目标对象的目标位置。
优选地，所述将所述探针的速度和加速度输入非确定性力模型，输出非确定性力，包括：
根据所述运动学方程确定所述探针的样本速度和样本加速度，并将所述样本速度和所述样本加速度作为输入数据；
根据所述运动学方程，计算所述探针在未接触任何环境对象自由运动时各位置的样本非确定性力，并将各个所述样本非确定性力作为输出数据；
利用所述输入数据和所述输出数据对神经网络模型进行模型训练，得到所述非确定性力模型；
将所述探针的所述速度和所述加速度输入所述非确定性力模型，输出所述非确定性力。
优选地，得到所述非确定性力模型之后，还包括：
计算所述非确定性力模型的杨氏模量；
根据所述杨氏模量评判所述非确定性力模型的训练精度。
优选地，所述根据运动学方程确定目标对象与机械臂末端的探针之间的变换矩阵，包括：
根据所述运动学方程计算所述机械臂和所述探针之间的第一变换矩阵；
计算所述目标对象和所述机械臂之间的第二变换矩阵；
利用所述第一变换矩阵和所述第二变换矩阵确定所述变换矩阵。
本申请还提供一种位置确定系统，包括：
变换矩阵确定模块，用于根据运动学方程确定目标对象与机械臂末端的探针之间的变换矩阵；
非确定性力输出模块，用于将所述探针的速度和加速度输入非确定性力模型，输出非确定性力；
实际输出力获取模块，用于在所述探针上的力传感器获取所述探针运动时的输出力后，将所述输出力与所述非确定性力进行作差，得到实际输出力；
目标位置确定模块，用于利用所述变换矩阵和所述实际输出力，确定所述目标对象的目标位置。
优选地，所述非确定性力输出模块，包括：
输入数据确定单元，用于根据所述运动学方程确定所述探针的样本速度和样本加速度，并将所述样本速度和所述样本加速度作为输入数据；
输出数据确定单元，用于根据所述运动学方程，计算所述探针在未接触任何环境对象自由运动时各位置的样本非确定性力，并将各个所述样本非确定性力作为输出数据；
模型训练单元，用于利用所述输入数据和所述输出数据对神经网络模型进行模型训练，得到所述非确定性力模型；
非确定性力输出单元，用于将所述探针的所述速度和所述加速度输入所述非确定性力模型，输出所述非确定性力。
优选地，该位置确定系统还包括：
杨氏模量计算模块，用于计算所述非确定性力模型的杨氏模量；
训练精度评判模块，用于根据所述杨氏模量评判所述非确定性力模型的训练精度。
优选地，所述变换矩阵确定模块，包括：
第一变换矩阵计算单元，用于根据所述运动学方程计算所述机械臂和所述探针之间的第一变换矩阵；
第二变换矩阵计算单元，用于计算所述目标对象和所述机械臂之间的第二变换矩阵；
变换矩阵确定单元，用于利用所述第一变换矩阵和所述第二变换矩阵确定所述变换矩阵。
本申请还提供一种设备，包括：
存储器和处理器；其中，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序时实现上述所述的位置确定方法的步骤。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的位置确定方法的步骤。
本申请所提供的一种位置确定方法，包括：根据运动学方程确定目标对象与机械臂末端的探针之间的变换矩阵；将所述探针的速度和加速度输入非确定性力模型，输出非确定性力；在所述探针上的力传感器获取所述探针运动时的输出力后，将所述输出力与所述非确定性力进行作差，得到实际输出力；利用所述变换矩阵和所述实际输出力，确定所述目标对象的目标位置。
该方法利用非确定性力模型输出非确定性力，并在所述探针上的力传感器获取所述探针运动时的输出力后，将所述输出力与所述非确定性力进行作差，即对非确定力进行了补偿，进而得到了实际输出力，最后利用变换矩阵和实际输出力，能够更加准确地确定目标对象的目标位置。本申请还提供一种位置确定系统、设备及计算机可读存储介质，均具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种位置确定方法的流程图；
图2为本申请实施例所提供的一种神经网络模型的网络结构示意图；
图3为本申请实施例所提供的一种位置确定系统的结构框图。
具体实施方式
本申请的核心是提供一种位置确定方法，能够准确地确定目标对象的位置。本申请的另一核心是提供一种位置确定系统、设备及计算机可读存储介质。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
随着科技的发展，机器人越来越普遍应用于多个领域，例如家居领域、工业领域、医学领域等等，相应的也就有了种类繁多的机器人。人类通常利用机器人代替或协助人类进行业务处理，那就需要机器人确定目标对象的位置，再对目标对象进行处理。可是，机器人在工作环境中进行业务处理时，由于工作环境中往往存在许多不确定因素，会影响到机器人身上的力传感器，导致力传感器的反馈结果与实际相比存在一定的误差，无法准确地确定目标对象的位置。本申请能够准确地确定目标对象的位置，具体请参考图1，图1为本申请实施例所提供的一种位置确定方法的流程图，该位置确定方法具体包括：
S101、根据运动学方程确定目标对象与机械臂末端的探针之间的变换矩阵；
本申请实施例需根据运动学方程确定目标对象与机械臂末端的探针之间的变换矩阵，在此对目标对象和探针之间的变换矩阵的确定方式不作具体限定，通常在确定机械臂和探针之间的变换矩阵、目标对象和机械臂之间的变换矩阵后，进而确定目标对象和探针之间的变换矩阵。在此对目标对象也不作具体限定，例如该目标对象可以是工业领域上的机械设备，也可以是医学领域上的病患(如肿瘤)。本申请实施例对机械臂和机械臂末端的探针也均不作具体限定，需根据实际情况而定。
进一步地，上述根据运动学方程确定目标对象与机械臂末端的探针之间的变换矩阵，通常包括：根据运动学方程计算机械臂和探针之间的第一变换矩阵；计算目标对象和机械臂之间的第二变换矩阵；利用第一变换矩阵和第二变换矩阵确定变换矩阵。通常设第一变换矩阵为
第二变换矩阵为
变换矩阵为
故
S102、将探针的速度和加速度输入非确定性力模型，输出非确定性力；
本申请实施例将探针的速度和加速度输入非确定性力模型，输出非确定性力。在此对探针的速度和加速度均不作具体限定，需根据实际情况而定，上述非确定性力模型是一个训练完成的模型，在此对非确定性力模型的训练过程不作具体限定，通常是将样本速度、样本加速度作为输入数据，样本非确定性力作为输出数据，再利用输入数据、输出数据对神经网络模型进行模型训练得到非确定性力模型。上文对探针的速度和加速度均不作具体限定，故由非确定性力模型输出的非确定性力，在此也不作具体限定。
进一步地，将探针的速度和加速度输入非确定性力模型，输出非确定性力，通常包括：根据运动学方程确定探针的样本速度和样本加速度，并将样本速度和样本加速度作为输入数据；根据运动学方程，计算探针在未接触任何环境对象自由运动时各位置的样本非确定性力，并将各个样本非确定性力作为输出数据；利用输入数据和输出数据对神经网络模型进行模型训练，得到非确定性力模型；将探针的速度和加速度输入非确定性力模型，输出非确定性力。本实施例中将探针的样本速度(设为νR)和样本加速度(设为αR)作为神经网络模型的输入数据。本实施例中使末端探针在未接触任何环境时做自由运动，此时安装有传感器的探针装置的机械臂可以采集相应的数据，此数据标记为力感知非确定性因素，然后根据机器人运动学方程计算各位置的样本非确定性力(设为fi)作为神经网络模型的输出数据。上述利用输入数据和输出数据对神经网络模型进行模型训练，得到非确定性力模型，即把输入数据和输出数据作为模型数据训练神经网络模型，获得通过神经网络拟合的非确定性力模型。在此对输入数据的数量和输出数据的数量均不作具体限定，应由本领域技术人员根据实际情况作出相应的设定，可以理解的是，输入数据的数量和输出数据的数量越多，训练出来非确定性力模型的精度就越高。上述神经网络模型的网络结构如图2所示，图2为本申请实施例所提供的一种神经网络模型的网络结构示意图，由图2可知，神经网络模型由输入层、隐藏层及输出层组成，在输入层中输入的是速度和加速度，在输出层中输出的是非确定性力，本申请实施例对隐藏层的层数不作具体限定，需根据实际情况而定。
进一步地，得到非确定性力模型之后，通常还可以包括：计算非确定性力模型的杨氏模量；根据杨氏模量评判非确定性力模型的训练精度。例如，通过测量医用机器人末端探针质量获得探针重力fg；对于目标病患，通过医用机器人末端力传感器采集数据fm，对力反馈值进行修正，计算系统工作所需要的力反馈值fe：fe＝fm-fi-fg；根据选择的探针模型以及软组织模型获得软组织表面与采样点的距离di，软组织模型的泊松比ν以及探针半径r；计算实际力反馈值作用下的系统工作时的杨氏模量Ee评估系统性能：
本申请实施例对探针重力fg、力反馈值fe、软组织表面与采样点的距离di、软组织模型的泊松比ν以及探针半径r均不作具体限定，需根据实际情况而定。本申请实施例将杨氏模量作为评判系统训练精度的测量指标，但需注意的是，杨氏模量并非是本申请实施例评判系统训练精度的唯一测量指标，也就是说可以用其他的测量指标代替。
S103、在探针上的力传感器获取探针运动时的输出力后，将输出力与非确定性力进行作差，得到实际输出力；
S104、利用变换矩阵和实际输出力，确定目标对象的目标位置。
本申请实施例在探针上的力传感器获取探针运动时的输出力后，将输出力与非确定性力进行作差，得到实际输出力，也即带有力传感器的探针装置采集运动过程中压力信息，通过系统模型前馈信息完成对系统非确定性力的补偿，确定实际输出力。现有技术中无法对非确定性力进行补偿，所以无法得到实际输出力，进而无法准确地确定目标对象的目标位置。
本申请利用非确定性力模型输出非确定性力，并在探针上的力传感器获取探针运动时的输出力后，将输出力与非确定性力进行作差，即对非确定力进行了补偿，进而得到了实际输出力，最后利用变换矩阵和实际输出力，能够更加准确地确定目标对象的目标位置。利用神经网络对系统非确定性力补偿，极大地减少了在具体环境中检测目标对象的位置误差，提高了机器人对目标对象的定位精度，同时系统具有运算量小、实现成本低、计算速度快的特质，完全可以满足多个领域机器人的实际应用需求。此外，本申请在应用的框架上，神经网络方法拟合模型不是唯一对非确定性力补偿的方法，也可利用卡尔曼滤波等方法建立模型对机器人系统非确定性力进行补偿及其控制。
下面对本申请实施例提供的一种位置确定系统、设备及计算机可读存储介质进行介绍，下文描述的位置确定系统、设备及计算机可读存储介质与上文描述的位置确定方法可相互对应参照。
请参考图3，图3为本申请实施例所提供的一种位置确定系统的结构框图；该位置确定系统包括：
变换矩阵确定模块301，用于根据运动学方程确定目标对象与机械臂末端的探针之间的变换矩阵；
非确定性力输出模块302，用于将探针的速度和加速度输入非确定性力模型，输出非确定性力；
实际输出力获取模块303，用于在探针上的力传感器获取探针运动时的输出力后，将输出力与非确定性力进行作差，得到实际输出力；
目标位置确定模块304，用于利用变换矩阵和实际输出力，确定目标对象的目标位置。
基于上述实施例，本实施例中非确定性力输出模块302，通常包括：
输入数据确定单元，用于根据运动学方程确定探针的样本速度和样本加速度，并将样本速度和样本加速度作为输入数据；
输出数据确定单元，用于根据运动学方程，计算探针在未接触任何环境对象自由运动时各位置的样本非确定性力，并将各个样本非确定性力作为输出数据；
模型训练单元，用于利用输入数据和输出数据对神经网络模型进行模型训练，得到非确定性力模型；
非确定性力输出单元，用于将探针的速度和加速度输入非确定性力模型，输出非确定性力。
基于上述实施例，本实施例中位置确定系统通常还可以包括：
杨氏模量计算模块，用于计算非确定性力模型的杨氏模量；
训练精度评判模块，用于根据杨氏模量评判非确定性力模型的训练精度。
基于上述实施例，本实施例中变换矩阵确定模块301，通常包括：
第一变换矩阵计算单元，用于根据运动学方程计算机械臂和探针之间的第一变换矩阵；
第二变换矩阵计算单元，用于计算目标对象和机械臂之间的第二变换矩阵；
变换矩阵确定单元，用于利用第一变换矩阵和第二变换矩阵确定变换矩阵。
本申请还提供一种设备，包括：存储器和处理器；其中，存储器用于存储计算机程序，处理器用于执行计算机程序时实现上述任意实施例的位置确定方法的步骤。
本申请还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述任意实施例的位置确定方法的步骤。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例提供的系统而言，由于其与实施例提供的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种位置确定方法、系统、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (8)
1.一种位置确定方法，其特征在于，包括：
根据运动学方程确定目标对象与机械臂末端的探针之间的变换矩阵；
将所述探针的速度和加速度输入非确定性力模型，输出非确定性力；
在所述探针上的力传感器获取所述探针运动时的输出力后，将所述输出力与所述非确定性力进行作差，得到实际输出力；
利用所述变换矩阵和所述实际输出力，确定所述目标对象的目标位置；
所述将所述探针的速度和加速度输入非确定性力模型，输出非确定性力，包括：
根据所述运动学方程确定所述探针的样本速度和样本加速度，并将所述样本速度和所述样本加速度作为输入数据；
根据所述运动学方程，计算所述探针在未接触任何环境对象自由运动时各位置的样本非确定性力，并将各个所述样本非确定性力作为输出数据；
利用所述输入数据和所述输出数据对神经网络模型进行模型训练，得到所述非确定性力模型；
将所述探针的所述速度和所述加速度输入所述非确定性力模型，输出所述非确定性力。
2.根据权利要求1所述的位置确定方法，其特征在于，得到所述非确定性力模型之后，还包括：
计算所述非确定性力模型的杨氏模量；
根据所述杨氏模量评判所述非确定性力模型的训练精度。
3.根据权利要求1所述的位置确定方法，其特征在于，所述根据运动学方程确定目标对象与机械臂末端的探针之间的变换矩阵，包括：
根据所述运动学方程计算所述机械臂和所述探针之间的第一变换矩阵；
计算所述目标对象和所述机械臂之间的第二变换矩阵；
利用所述第一变换矩阵和所述第二变换矩阵确定所述变换矩阵。
4.一种位置确定系统，其特征在于，包括：
变换矩阵确定模块，用于根据运动学方程确定目标对象与机械臂末端的探针之间的变换矩阵；
非确定性力输出模块，用于将所述探针的速度和加速度输入非确定性力模型，输出非确定性力；
实际输出力获取模块，用于在所述探针上的力传感器获取所述探针运动时的输出力后，将所述输出力与所述非确定性力进行作差，得到实际输出力；
目标位置确定模块，用于利用所述变换矩阵和所述实际输出力，确定所述目标对象的目标位置；
所述非确定性力输出模块，包括：
输入数据确定单元，用于根据所述运动学方程确定所述探针的样本速度和样本加速度，并将所述样本速度和所述样本加速度作为输入数据；
输出数据确定单元，用于根据所述运动学方程，计算所述探针在未接触任何环境对象自由运动时各位置的样本非确定性力，并将各个所述样本非确定性力作为输出数据；
模型训练单元，用于利用所述输入数据和所述输出数据对神经网络模型进行模型训练，得到所述非确定性力模型；
非确定性力输出单元，用于将所述探针的所述速度和所述加速度输入所述非确定性力模型，输出所述非确定性力。
5.根据权利要求4所述的位置确定系统，其特征在于，还包括：
杨氏模量计算模块，用于计算所述非确定性力模型的杨氏模量；
训练精度评判模块，用于根据所述杨氏模量评判所述非确定性力模型的训练精度。
6.根据权利要求4所述的位置确定系统，其特征在于，所述变换矩阵确定模块，包括：
第一变换矩阵计算单元，用于根据所述运动学方程计算所述机械臂和所述探针之间的第一变换矩阵；
第二变换矩阵计算单元，用于计算所述目标对象和所述机械臂之间的第二变换矩阵；
变换矩阵确定单元，用于利用所述第一变换矩阵和所述第二变换矩阵确定所述变换矩阵。
7.一种位置确定设备，其特征在于，包括：
存储器和处理器；其中，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序时实现如权利要求1至3任一项所述的位置确定方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的位置确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910150447.XA CN109877832B (zh) | 2019-02-28 | 2019-02-28 | 一种位置确定方法、系统及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910150447.XA CN109877832B (zh) | 2019-02-28 | 2019-02-28 | 一种位置确定方法、系统及相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109877832A CN109877832A (zh) | 2019-06-14 |
| CN109877832B true CN109877832B (zh) | 2022-05-10 |
Family
ID=66929925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910150447.XA Expired - Fee Related CN109877832B (zh) | 2019-02-28 | 2019-02-28 | 一种位置确定方法、系统及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109877832B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110701423B (zh) * | 2019-09-25 | 2022-05-03 | 汕头大学 | 一种基于双末端的管道漏点定位与修补的设备及方法 |
| CN111203890B (zh) * | 2020-02-28 | 2022-04-19 | 中国科学技术大学 | 一种机器人的位置误差补偿方法 |
| CN111539514B (zh) * | 2020-04-16 | 2023-06-06 | 北京百度网讯科技有限公司 | 用于生成神经网络的结构的方法和装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE69223854D1 (de) * | 1991-06-14 | 1998-02-12 | Honeywell Inc | Proportionalmodus - Handsteuerung mit Kraftrückkopplung |
| CN102363301A (zh) * | 2011-10-19 | 2012-02-29 | 浙江工业大学 | 机器人拟人手指自适应指尖力跟踪控制方法 |
| CN104470455A (zh) * | 2011-12-21 | 2015-03-25 | 美的洛博迪克斯公司 | 用于具有链节装置的高度铰接探针的稳固装置,该装置的形成方法,以及该装置的使用方法 |
| CN105852970A (zh) * | 2016-04-29 | 2016-08-17 | 北京柏惠维康科技有限公司 | 神经外科机器人导航定位系统及方法 |
| CN106483964A (zh) * | 2015-08-31 | 2017-03-08 | 中南大学 | 一种基于接触力观测器的机器人柔顺控制方法 |
| CN107205795A (zh) * | 2014-12-09 | 2017-09-26 | 拜奥美特3i有限责任公司 | 用于牙外科手术的机器人装置 |
| CN109129466A (zh) * | 2018-07-26 | 2019-01-04 | 清华大学 | 一种用于立体定向机器人的主动视觉装置及其控制方法 |
-
2019
- 2019-02-28 CN CN201910150447.XA patent/CN109877832B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE69223854D1 (de) * | 1991-06-14 | 1998-02-12 | Honeywell Inc | Proportionalmodus - Handsteuerung mit Kraftrückkopplung |
| CN102363301A (zh) * | 2011-10-19 | 2012-02-29 | 浙江工业大学 | 机器人拟人手指自适应指尖力跟踪控制方法 |
| CN104470455A (zh) * | 2011-12-21 | 2015-03-25 | 美的洛博迪克斯公司 | 用于具有链节装置的高度铰接探针的稳固装置,该装置的形成方法,以及该装置的使用方法 |
| CN107205795A (zh) * | 2014-12-09 | 2017-09-26 | 拜奥美特3i有限责任公司 | 用于牙外科手术的机器人装置 |
| CN106483964A (zh) * | 2015-08-31 | 2017-03-08 | 中南大学 | 一种基于接触力观测器的机器人柔顺控制方法 |
| CN105852970A (zh) * | 2016-04-29 | 2016-08-17 | 北京柏惠维康科技有限公司 | 神经外科机器人导航定位系统及方法 |
| CN109129466A (zh) * | 2018-07-26 | 2019-01-04 | 清华大学 | 一种用于立体定向机器人的主动视觉装置及其控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109877832A (zh) | 2019-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109877832B (zh) | 一种位置确定方法、系统及相关装置 | |
| Ricci et al. | On the orientation error of IMU: Investigating static and dynamic accuracy targeting human motion | |
| KR102513854B1 (ko) | 제어 장치, 로봇, 학습 장치, 로봇 시스템 및 방법 | |
| US9092737B2 (en) | Systems, methods, and apparatus for 3-D surface mapping, compliance mapping, and spatial registration with an array of cantilevered tactile hair or whisker sensors | |
| Schiefer et al. | Optimization of inertial sensor-based motion capturing for magnetically distorted field applications | |
| CN109918614B (zh) | 一种基于模态学习的全局动应变测量方法 | |
| CN113176529B (zh) | 一种磁梯度仪校正方法、磁梯度仪校正装置及存储介质 | |
| CN104006740B (zh) | 物体检测方法和物体检测装置 | |
| CN110176306B (zh) | 一种基于动态多元lstm网络的软组织漂移靶点自动定位方法 | |
| Aloi et al. | Estimating forces along continuum robots | |
| CN116594289A (zh) | 机器人姿态预适应控制方法、装置、电子设备及存储介质 | |
| CN103105166A (zh) | 一种运动练习拍的运动数据处理方法及系统 | |
| Carneiro et al. | On the influence of velocity and acceleration estimators on a servopneumatic system behaviour | |
| JP5656161B2 (ja) | 相関性評価方法、相関性評価装置、動作再現装置 | |
| CN111209942A (zh) | 一种足式机器人多模态感知的异常监测方法 | |
| Ali et al. | Characteristics of a new optical tactile sensor for interactive robot fingers | |
| CN114137840B (zh) | 足式机器人全局平衡控制方法、装置和足式机器人 | |
| CN110826383A (zh) | 分析系统、分析方法、程序以及存储介质 | |
| CN115741717A (zh) | 一种三维重构及路径规划方法、装置、设备及存储介质 | |
| CN113001546B (zh) | 一种提高工业机器人运动速度安全性的方法及系统 | |
| CN108742840B (zh) | 机器人的标定方法和装置 | |
| CN105027037A (zh) | 使用便携式电子设备来进行用户输入 | |
| Shentu et al. | MoSS: Monocular Shape Sensing for Continuum Robots | |
| CN111664834A (zh) | 室内移动体的高程位置估算方法/系统、存储介质及设备 | |
| CN108507571A (zh) | 一种高速运动学下imu姿态捕捉方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220510 |