CN111055275A - 一种动作模仿方法、装置、计算机可读存储介质及机器人 - Google Patents

一种动作模仿方法、装置、计算机可读存储介质及机器人 Download PDF

Info

Publication number
CN111055275A
CN111055275A CN201911227303.6A CN201911227303A CN111055275A CN 111055275 A CN111055275 A CN 111055275A CN 201911227303 A CN201911227303 A CN 201911227303A CN 111055275 A CN111055275 A CN 111055275A
Authority
CN
China
Prior art keywords
joint
motion
image
simulated object
training
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.)
Granted
Application number
CN201911227303.6A
Other languages
English (en)
Other versions
CN111055275B (zh
Inventor
郭渺辰
程骏
张惊涛
胡淑萍
王东
庞建新
熊友军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ubtech Robotics Corp
Original Assignee
Ubtech Robotics Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ubtech Robotics Corp filed Critical Ubtech Robotics Corp
Priority to CN201911227303.6A priority Critical patent/CN111055275B/zh
Publication of CN111055275A publication Critical patent/CN111055275A/zh
Priority to US17/112,569 priority patent/US11850747B2/en
Application granted granted Critical
Publication of CN111055275B publication Critical patent/CN111055275B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/02—Sensing devices
    • B25J19/021—Optical sensing devices
    • B25J19/023—Optical sensing devices including video camera means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • B25J9/1697—Vision controlled systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/40—Robotics, robotics mapping to robotics vision
    • G05B2219/40116—Learn by operator observation, symbiosis, show, watch
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/40—Robotics, robotics mapping to robotics vision
    • G05B2219/40391—Human to robot skill transfer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mechanical Engineering (AREA)
  • Computing Systems (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Manipulator (AREA)

Abstract

本申请属于机器人技术领域，尤其涉及一种动作模仿方法、装置、计算机可读存储介质及机器人。所述方法采集被模仿对象的动作图像；使用预训练好的卷积神经网络对所述动作图像进行处理，得到所述动作图像对应的位置坐标集合，所述位置坐标集合中包括各个人体关节点的二维位置坐标；根据所述动作图像对应的位置坐标集合计算所述被模仿对象的各个关节角度；根据所述被模仿对象的各个关节角度控制机器人进行运动。通过本申请实施例，无需借助于高精度的深度相机，仅通过对普通相机采集的图像进行分析处理，即可得到被模仿对象的各个关节角度，并据此控制机器人进行运动，极大减少了所需成本，可以进行更大范围的推广使用。

Description

一种动作模仿方法、装置、计算机可读存储介质及机器人
技术领域
本申请属于机器人技术领域，尤其涉及一种动作模仿方法、装置、计算机可读存储介质及机器人。
背景技术
现有技术中的人形机器人已经可以在一定程度上仿照人类的运动方式进行运动，如抓取、双足直立行走等，但是在一些人类的习惯性动作上依然显得生硬，不够拟人化，因此需要一种方法将人类的动作直接传达给机器人。目前已有的方法可以分为两种，一种是基于可穿戴式控制设备的运动模仿，另一种是基于视觉的动作模仿。第一种方法需要操作人员穿上特定的设备，来采集人体的关节运动信息，然后同步到人形机器人相应的关节中。这种方法获取的数据较为精确，但是缺点也十分明显，可穿戴式控制设备制作成本以及维护成本较高，不适合大量普及，且应用场景极其有限，仅限于实验室操作，同时穿戴与拆卸过程繁琐，用户体验性差。基于视觉的方法可以有效改善第一种方法遇到的问题。通过人形机器人内部自带的深度相机或者环境中安置的深度相机即可实现动作模仿，不需要额外设备，大大拓展了应用场景，但由于该方法需要借助于高精度的深度相机，成本较高，难以进行推广使用。
发明内容
有鉴于此，本申请实施例提供了一种动作模仿方法、装置、计算机可读存储介质及机器人，以解决现有的动作模仿方法成本较高，难以进行推广使用的问题。
本申请实施例的第一方面提供了一种动作模仿方法，可以包括：
采集被模仿对象的动作图像；
使用预训练好的卷积神经网络对所述动作图像进行处理，得到所述动作图像对应的位置坐标集合，所述位置坐标集合中包括各个人体关节点的二维位置坐标；
根据所述动作图像对应的位置坐标集合计算所述被模仿对象的各个关节角度；
根据所述被模仿对象的各个关节角度控制机器人进行运动。
进一步地，在使用预训练好的卷积神经网络对所述动作图像进行处理之前，还包括：
获取预设的训练样本集，所述训练样本集中包括N个样本图像，且每个样本图像均对应于一个预先标注的第一集合，N为正整数；
使用卷积神经网络分别对所述训练样本集中的各个样本图像进行处理，得到各个样本图像对应的第二集合；
根据各个样本图像对应的第一集合和第二集合计算所述训练样本集的训练损失值；
若所述训练损失值大于预设的损失阈值，则对卷积神经网络的参数进行调整，并返回执行所述使用卷积神经网络分别对所述训练样本集中的各个样本图像进行处理的步骤；
若所述训练损失值小于或等于所述损失阈值，则结束训练，得到所述预训练好的卷积神经网络。
进一步地，所述根据各个样本图像对应的第一集合和第二集合计算所述训练样本集的训练损失值包括：
根据下式计算所述训练样本集的训练损失值：
Figure BDA0002302590230000021
其中，n为各个样本图像的序号，0≤n≤N-1，p为各个人体关节点的序号，0≤p≤PN-1，PN为人体关节点的数目，(FtXn,p,FtYn,p)为第n个样本图像对应的第一集合中的第p个人体关节点的二维位置坐标，(SdXn,p,SdYn,p)为第n个样本图像对应的第二集合中的第p个人体关节点的二维位置坐标，Loss为所述训练样本集的训练损失值。
进一步地，在得到所述动作图像对应的位置坐标集合之后，还包括：
对所述位置坐标集合中的各个人体关节点的二维位置坐标进行卡尔曼滤波，得到滤波后的位置坐标集合。
进一步地，所述根据所述动作图像对应的位置坐标集合计算所述被模仿对象的各个关节角度包括：
根据所述位置坐标集合计算所述被模仿对象的各个关节长度；
根据所述被模仿对象的各个关节长度和预设的各个关节最大长度计算所述被模仿对象的各个关节角度。
进一步地，所述根据所述被模仿对象的各个关节长度和预设的各个关节最大长度计算所述被模仿对象的各个关节角度包括：
根据下式计算所述被模仿对象的各个关节角度：
cosθq＝Lq/MaxLq
其中，q为各个人体关节的序号，0≤q≤Q-1，Q为人体关节的数目，Lq为所述被模仿对象的第q个人体关节的关节长度，MaxLq为所述被模仿对象的第q个人体关节的关节最大长度，θq为所述被模仿对象的第q个人体关节的关节角度。
进一步地，在根据所述动作图像对应的位置坐标集合计算所述被模仿对象的各个关节角度之后，还包括：
对所述被模仿对象的各个关节角度进行卡尔曼滤波，得到滤波后的各个关节角度。
本申请实施例的第二方面提供了一种动作模仿装置，可以包括：
动作图像采集模块，用于采集被模仿对象的动作图像；
图像处理模块，用于使用预训练好的卷积神经网络对所述动作图像进行处理，得到所述动作图像对应的位置坐标集合，所述位置坐标集合中包括各个人体关节点的二维位置坐标；
关节角度计算模块，用于根据所述动作图像对应的位置坐标集合计算所述被模仿对象的各个关节角度；
运动控制模块，用于根据所述被模仿对象的各个关节角度控制机器人进行运动。
进一步地，所述动作模仿装置还可以包括：
训练样本集获取模块，用于获取预设的训练样本集，所述训练样本集中包括N个样本图像，且每个样本图像均对应于一个预先标注的第一集合，N为正整数；
样本图像处理模块，用于使用卷积神经网络分别对所述训练样本集中的各个样本图像进行处理，得到各个样本图像对应的第二集合；
训练损失值计算模块，用于根据各个样本图像对应的第一集合和第二集合计算所述训练样本集的训练损失值；
参数调整模块，用于若所述训练损失值大于预设的损失阈值，则对卷积神经网络的参数进行调整，并返回执行所述使用卷积神经网络分别对所述训练样本集中的各个样本图像进行处理的步骤；
结束训练模块，用于若所述训练损失值小于或等于所述损失阈值，则结束训练，得到所述预训练好的卷积神经网络。
进一步地，所述训练损失值计算模块具体用于根据下式计算所述训练样本集的训练损失值：
Figure BDA0002302590230000041
其中，n为各个样本图像的序号，0≤n≤N-1，p为各个人体关节点的序号，0≤p≤PN-1，PN为人体关节点的数目，(FtXn,p,FtYn,p)为第n个样本图像对应的第一集合中的第p个人体关节点的二维位置坐标，(SdXn,p,SdYn,p)为第n个样本图像对应的第二集合中的第p个人体关节点的二维位置坐标，Loss为所述训练样本集的训练损失值。
进一步地，所述动作模仿装置还可以包括：
位置坐标滤波模块，用于对所述位置坐标集合中的各个人体关节点的二维位置坐标进行卡尔曼滤波，得到滤波后的位置坐标集合。
进一步地，所述关节角度计算模块可以包括：
关节长度计算单元，用于根据所述位置坐标集合计算所述被模仿对象的各个关节长度；
关节角度计算单元，用于根据所述被模仿对象的各个关节长度和预设的各个关节最大长度计算所述被模仿对象的各个关节角度。
进一步地，所述关节角度计算单元具体用于根据下式计算所述被模仿对象的各个关节角度：
cosθq＝Lq/MaxLq
其中，q为各个人体关节的序号，0≤q≤Q-1，Q为人体关节的数目，Lq为所述被模仿对象的第q个人体关节的关节长度，MaxLq为所述被模仿对象的第q个人体关节的关节最大长度，θq为所述被模仿对象的第q个人体关节的关节角度。
进一步地，所述动作模仿装置还可以包括：
关节角度滤波模块，用于对所述被模仿对象的各个关节角度进行卡尔曼滤波，得到滤波后的各个关节角度。
本申请实施例的第三方面提供了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任一种动作模仿方法的步骤。
本申请实施例的第四方面提供了一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一种动作模仿方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在机器人上运行时，使得机器人执行上述任一种动作模仿方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：本申请实施例采集被模仿对象的动作图像；使用预训练好的卷积神经网络对所述动作图像进行处理，得到所述动作图像对应的位置坐标集合，所述位置坐标集合中包括各个人体关节点的二维位置坐标；根据所述动作图像对应的位置坐标集合计算所述被模仿对象的各个关节角度；根据所述被模仿对象的各个关节角度控制机器人进行运动。通过本申请实施例，无需借助于高精度的深度相机，仅通过对普通相机采集的图像进行分析处理，即可得到被模仿对象的各个关节角度，并据此控制机器人进行运动，极大减少了所需成本，可以进行更大范围的推广使用。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本申请实施例中一种动作模仿方法的一个实施例流程图；
图2为本申请实施例的一种具体实施场景的示意图；
图3为各个人体关节点的示意图；
图4为卷积神经网络的训练过程的示意流程图；
图5为发生关节联动时的示意图；
图6为本申请实施例中一种动作模仿装置的一个实施例结构图；
图7为本申请实施例中一种机器人的示意框图。
具体实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。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它实施例，都属于本申请保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参阅图1，本申请实施例中一种动作模仿方法的一个实施例可以包括：
步骤S101、采集被模仿对象的动作图像。
图2所示为本申请实施例的一种具体实施场景的示意图，其中，左侧图形表示人形机器人，也即本申请实施例的实施主体，中间图形表示操作人员，也即被模仿对象，所述人形机器人可以对操作人员的动作进行模仿。
在本申请实施例的一种具体实现中，可以通过所述人形机器人自身携带的相机来采集被模仿对象的动作图像；在本申请实施例的另一种具体实现中，还可以通过预先设置在指定位置上的外置相机(如图2中的左上方图形所示)来采集被模仿对象的动作图像。需要注意的是，在本申请实施例中所使用的相机均为普通的RGB相机，所采集到的动作图像为二维的RGB图像，即由红(R)、绿(G)、蓝(B)三个颜色通道组成的图像。所述动作图像的尺寸可以根据实际情况进行设置，例如，可以将其设置为456像素×256像素，当然，也可以将其设置为其它的尺寸，本申请实施例对此不作具体限定。
步骤S102、使用预训练好的卷积神经网络对所述动作图像进行处理，得到所述动作图像对应的位置坐标集合。
所述位置坐标集合中包括各个人体关节点的二维位置坐标，图3示出了各个人体关节点的示意图，此处可以将图中所示的18个人体关节点的二维位置坐标依次记为：人体关节点0：(X0,Y0)，人体关节点1：(X1,Y1)，人体关节点2：(X2,Y2)，……，人体关节点16：(X16,Y16)，人体关节点17：(X17,Y17)。
在本申请实施例中所使用的卷积神经网络可以是现有技术中的任意一种卷积神经网络。优选地，在本申请实施例中，可以采用将卷积姿态机(Convolutional PoseMachines，CPM)及热图(heatmap)相结合所设计出的卷积神经网络，可以分两个阶段由粗到精进行训练，主干网络采用resnet18，并对其进行网络结构的剪枝修整，使其在保证精度不会下降很多的条件下可以在CPU端达到实时处理。
优选地，所述卷积神经网络在使用之前，可以通过如图4所示的过程进行训练：
步骤S102a、获取预设的训练样本集。
所述训练样本集中包括N个样本图像，N为正整数，且每个样本图像均对应于一个预先标注的位置坐标集合，此处将其记为第一集合，该第一集合可以保存为json文件，其中包括对应的样本图像中的各个人体关节点的二维位置坐标。所述训练样本集可以采用各种公开的图片数据集，包括但不限于MSCOCO、ImageNet、Open Images Dataset、CIFAR-10以及其它的图片数据集。
步骤S102b、使用卷积神经网络分别对所述训练样本集中的各个样本图像进行处理，得到各个样本图像对应的第二集合。
对于每个样本图像而言，其对应的第二集合中也包括该样本图像中的各个人体关节点的二维位置坐标。但需要注意的是，其第一集合为标注的预期输出，而第二集合则为实际输出。
步骤S102c、根据各个样本图像对应的第一集合和第二集合计算所述训练样本集的训练损失值。
具体地，可以根据下式计算所述训练样本集的训练损失值：
Figure BDA0002302590230000091
其中，n为各个样本图像的序号，0≤n≤N-1，p为各个人体关节点的序号，0≤p≤PN-1，PN为人体关节点的数目，此处可以设置PN的取值为18，(FtXn,p,FtYn,p)为第n个样本图像对应的第一集合中的第p个人体关节点的二维位置坐标，(SdXn,p,SdYn,p)为第n个样本图像对应的第二集合中的第p个人体关节点的二维位置坐标，Loss为所述训练样本集的训练损失值。
步骤S102d、判断所述训练损失值是否大于预设的损失阈值。
所述损失阈值的具体取值可以根据实际情况进行设置，若所述训练损失值大于所述损失阈值，则执行步骤S102e，若所述训练损失值小于或等于所述损失阈值，则执行步骤S102f。
步骤S102e、对卷积神经网络的参数进行调整。
在完成参数调整之后，返回执行步骤S102b，即开始进行下一轮的训练过程。
在本申请实施例中，假设初始状态下所述卷积神经网络的参数为W1，将计算得到的训练损失值反向传播调整所述卷积神经网络的参数W1，得到调整后的参数W2。调整参数之后再继续执行所述使用卷积神经网络分别对所述训练样本集中的各个样本图像进行处理的步骤，也即开始进行下一轮的训练过程，在该轮训练过程中，得到各个样本图像对应的第二集合，并根据各个样本图像对应的第一集合和第二集合计算所述训练样本集的训练损失值，将该训练损失值反向传播调整所述卷积神经网络的参数W2，得到调整后的参数W3，……，以此类推，不断重复以上过程，直至所述训练损失值小于或等于所述损失阈值为止。
步骤S102f、结束训练，得到所述预训练好的卷积神经网络。
当所述训练损失值小于或等于所述损失阈值时，说明所述卷积神经网络已经收敛，此时则可结束训练，此时的卷积神经网络即为所述预训练好的卷积神经网络。
在得到所述预训练好的卷积神经网络，即可使用所述预训练好的卷积神经网络对所述动作图像进行处理，从而得到所述动作图像对应的位置坐标集合。
进一步地，考虑到卷积神经网络输出的位置坐标集合中的人体关节点的二维位置坐标有时可能会出现跳变，无法直接应用在机器人上，因此，在本实施例中，在得到各个人体关节点的二维位置坐标之后，优选对所述位置坐标集合中的各个人体关节点的二维位置坐标进行卡尔曼滤波，得到滤波后的位置坐标集合，保证其平滑性。如无特殊说明，下文中出现的位置坐标集合均可指代滤波后的位置坐标集合。
步骤S103、根据所述动作图像对应的位置坐标集合计算所述被模仿对象的各个关节角度。
首先，可以根据所述位置坐标集合计算所述被模仿对象的各个关节长度。
图3中示出了17个人体关节，分别为：(0,14)、(0,15)、(14,16)、(15,17)、(0,1)、(1,2)、(1,5)、(2,3)、(3,4)、(5,6)、(6,7)、(1,8)、(1,11)、(8,9)、(9,10)、(11,12)、(12,13)。其中，(0,14)表示人体关节点0和人体关节点14之间的关节，通过计算人体关节点0和人体关节点14之间的距离，即可得到人体关节(0,14)的关节长度，(0,15)表示人体关节点0和人体关节点15之间的关节，通过计算人体关节点0和人体关节点15之间的距离，即可得到人体关节(0,15)的关节长度，……，以此类推。
然后，可以根据所述被模仿对象的各个关节长度和预设的各个关节最大长度计算所述被模仿对象的各个关节角度。
在初始化过程中，可以要求所述被模仿对象在初始几帧做一个面向相机的平面姿势(如图3所示，但不仅限于图示姿势)，以便获取这些帧中每个人体关节的关节最大长度，将其作为基准，以便对后续的动作过程中关节角度的变化情况进行衡量。
在计算所述被模仿对象的各个关节长度之后，可以根据下式计算所述被模仿对象的各个关节角度：
cosθq＝Lq/MaxLq
其中，q为各个人体关节的序号，0≤q≤Q-1，Q为人体关节的数目，Lq为所述被模仿对象的第q个人体关节的关节长度，MaxLq为所述被模仿对象的第q个人体关节的关节最大长度，θq为所述被模仿对象的第q个人体关节的关节角度。
图5所示为发生关节联动时的情况，该动作垂直于相机所拍摄的图像平面，人体关节(2,3)转动一个角度r1，人体关节(3,4)也转动一个角度r3，在初始化过程中获取到人体关节(2,3)的关节最大长度为MaxL(2,3)，人体关节(3,4)的关节最大长度为MaxL(3,4)，根据当前帧的动作图像计算得到的人体关节(2,3)的关节长度为L(2,3)，人体关节(3,4)的关节长度为L(3,4)，则有：
cosr1＝L(2,3)/MaxL(2,3)
cos(r2+r3)＝L(3,4)/MaxL(3,4)
其中，r2为人体关节(3,4)在人体关节(2,3)的关节联动下转动的角度，即：r1＝r2。
步骤S104、根据所述被模仿对象的各个关节角度控制机器人进行运动。
进一步地，考虑到计算得到的所述被模仿对象的各个关节角度有时可能会出现跳变，无法直接应用在机器人上，因此，在本实施例中，在得到所述被模仿对象的各个关节角度之后，优选对所述被模仿对象的各个关节角度进行卡尔曼滤波，得到滤波后的各个关节角度，保证其平滑性。最后将这些关节角度映射到人形机器人中，通过其控制系统控制机器人进行相应的运动，从而达到模仿人类动作的效果。
综上所述，本申请实施例采集被模仿对象的动作图像；使用预训练好的卷积神经网络对所述动作图像进行处理，得到所述动作图像对应的位置坐标集合，所述位置坐标集合中包括各个人体关节点的二维位置坐标；根据所述动作图像对应的位置坐标集合计算所述被模仿对象的各个关节角度；根据所述被模仿对象的各个关节角度控制机器人进行运动。通过本申请实施例，无需借助于高精度的深度相机，仅通过对普通相机采集的图像进行分析处理，即可得到被模仿对象的各个关节角度，并据此控制机器人进行运动，极大减少了所需成本，可以进行更大范围的推广使用。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种动作模仿方法，图6示出了本申请实施例提供的一种动作模仿装置的一个实施例结构图。
本实施例中，一种动作模仿装置可以包括：
动作图像采集模块601，用于采集被模仿对象的动作图像；
图像处理模块602，用于使用预训练好的卷积神经网络对所述动作图像进行处理，得到所述动作图像对应的位置坐标集合，所述位置坐标集合中包括各个人体关节点的二维位置坐标；
关节角度计算模块603，用于根据所述动作图像对应的位置坐标集合计算所述被模仿对象的各个关节角度；
运动控制模块604，用于根据所述被模仿对象的各个关节角度控制机器人进行运动。
进一步地，所述动作模仿装置还可以包括：
训练样本集获取模块，用于获取预设的训练样本集，所述训练样本集中包括N个样本图像，且每个样本图像均对应于一个预先标注的第一集合，N为正整数；
样本图像处理模块，用于使用卷积神经网络分别对所述训练样本集中的各个样本图像进行处理，得到各个样本图像对应的第二集合；
训练损失值计算模块，用于根据各个样本图像对应的第一集合和第二集合计算所述训练样本集的训练损失值；
参数调整模块，用于若所述训练损失值大于预设的损失阈值，则对卷积神经网络的参数进行调整，并返回执行所述使用卷积神经网络分别对所述训练样本集中的各个样本图像进行处理的步骤；
结束训练模块，用于若所述训练损失值小于或等于所述损失阈值，则结束训练，得到所述预训练好的卷积神经网络。
进一步地，所述训练损失值计算模块具体用于根据下式计算所述训练样本集的训练损失值：
Figure BDA0002302590230000131
其中，n为各个样本图像的序号，0≤n≤N-1，p为各个人体关节点的序号，0≤p≤PN-1，PN为人体关节点的数目，(FtXn,p,FtYn,p)为第n个样本图像对应的第一集合中的第p个人体关节点的二维位置坐标，(SdXn,p,SdYn,p)为第n个样本图像对应的第二集合中的第p个人体关节点的二维位置坐标，Loss为所述训练样本集的训练损失值。
进一步地，所述动作模仿装置还可以包括：
位置坐标滤波模块，用于对所述位置坐标集合中的各个人体关节点的二维位置坐标进行卡尔曼滤波，得到滤波后的位置坐标集合。
进一步地，所述关节角度计算模块可以包括：
关节长度计算单元，用于根据所述位置坐标集合计算所述被模仿对象的各个关节长度；
关节角度计算单元，用于根据所述被模仿对象的各个关节长度和预设的各个关节最大长度计算所述被模仿对象的各个关节角度。
进一步地，所述关节角度计算单元具体用于根据下式计算所述被模仿对象的各个关节角度：
cosθq＝Lq/MaxLq
其中，q为各个人体关节的序号，0≤q≤Q-1，Q为人体关节的数目，Lq为所述被模仿对象的第q个人体关节的关节长度，MaxLq为所述被模仿对象的第q个人体关节的关节最大长度，θq为所述被模仿对象的第q个人体关节的关节角度。
进一步地，所述动作模仿装置还可以包括：
关节角度滤波模块，用于对所述被模仿对象的各个关节角度进行卡尔曼滤波，得到滤波后的各个关节角度。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
图7示出了本申请实施例提供的一种机器人的示意框图，为了便于说明，仅示出了与本申请实施例相关的部分。
如图7所示，该实施例的机器人7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个动作模仿方法实施例中的步骤，例如图1所示的步骤S101至步骤S104。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块601至模块604的功能。
示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述机器人7中的执行过程。
本领域技术人员可以理解，图7仅仅是机器人7的示例，并不构成对机器人7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述机器人7还可以包括输入输出设备、网络接入设备、总线等。
所述处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述机器人7的内部存储单元，例如机器人7的硬盘或内存。所述存储器71也可以是所述机器人7的外部存储设备，例如所述机器人7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述机器人7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述机器人7所需的其它程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/机器人和方法，可以通过其它的方式实现。例如，以上所描述的装置/机器人实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种动作模仿方法，其特征在于，包括：
采集被模仿对象的动作图像；
使用预训练好的卷积神经网络对所述动作图像进行处理，得到所述动作图像对应的位置坐标集合，所述位置坐标集合中包括各个人体关节点的二维位置坐标；
根据所述动作图像对应的位置坐标集合计算所述被模仿对象的各个关节角度；
根据所述被模仿对象的各个关节角度控制机器人进行运动。
2.根据权利要求1所述的动作模仿方法，其特征在于，在使用预训练好的卷积神经网络对所述动作图像进行处理之前，还包括：
获取预设的训练样本集，所述训练样本集中包括N个样本图像，且每个样本图像均对应于一个预先标注的第一集合，N为正整数；
使用卷积神经网络分别对所述训练样本集中的各个样本图像进行处理，得到各个样本图像对应的第二集合；
根据各个样本图像对应的第一集合和第二集合计算所述训练样本集的训练损失值；
若所述训练损失值大于预设的损失阈值，则对卷积神经网络的参数进行调整，并返回执行所述使用卷积神经网络分别对所述训练样本集中的各个样本图像进行处理的步骤；
若所述训练损失值小于或等于所述损失阈值，则结束训练，得到所述预训练好的卷积神经网络。
3.根据权利要求2所述的动作模仿方法，其特征在于，所述根据各个样本图像对应的第一集合和第二集合计算所述训练样本集的训练损失值包括：
根据下式计算所述训练样本集的训练损失值：
Figure FDA0002302590220000021
其中，n为各个样本图像的序号，0≤n≤N-1，p为各个人体关节点的序号，0≤p≤PN-1，PN为人体关节点的数目，(FtXn,p,FtYn,p)为第n个样本图像对应的第一集合中的第p个人体关节点的二维位置坐标，(SdXn,p,SdYn,p)为第n个样本图像对应的第二集合中的第p个人体关节点的二维位置坐标，Loss为所述训练样本集的训练损失值。
4.根据权利要求1所述的动作模仿方法，其特征在于，在得到所述动作图像对应的位置坐标集合之后，还包括：
对所述位置坐标集合中的各个人体关节点的二维位置坐标进行卡尔曼滤波，得到滤波后的位置坐标集合。
5.根据权利要求1所述的动作模仿方法，其特征在于，所述根据所述动作图像对应的位置坐标集合计算所述被模仿对象的各个关节角度包括：
根据所述位置坐标集合计算所述被模仿对象的各个关节长度；
根据所述被模仿对象的各个关节长度和预设的各个关节最大长度计算所述被模仿对象的各个关节角度。
6.根据权利要求5所述的动作模仿方法，其特征在于，所述根据所述被模仿对象的各个关节长度和预设的各个关节最大长度计算所述被模仿对象的各个关节角度包括：
根据下式计算所述被模仿对象的各个关节角度：
cosθq＝Lq/MaxLq
其中，q为各个人体关节的序号，0≤q≤Q-1，Q为人体关节的数目，Lq为所述被模仿对象的第q个人体关节的关节长度，MaxLq为所述被模仿对象的第q个人体关节的关节最大长度，θq为所述被模仿对象的第q个人体关节的关节角度。
7.根据权利要求1至6中任一项所述的动作模仿方法，其特征在于，在根据所述动作图像对应的位置坐标集合计算所述被模仿对象的各个关节角度之后，还包括：
对所述被模仿对象的各个关节角度进行卡尔曼滤波，得到滤波后的各个关节角度。
8.一种动作模仿装置，其特征在于，包括：
动作图像采集模块，用于采集被模仿对象的动作图像；
图像处理模块，用于使用预训练好的卷积神经网络对所述动作图像进行处理，得到所述动作图像对应的位置坐标集合，所述位置坐标集合中包括各个人体关节点的二维位置坐标；
关节角度计算模块，用于根据所述动作图像对应的位置坐标集合计算所述被模仿对象的各个关节角度；
运动控制模块，用于根据所述被模仿对象的各个关节角度控制机器人进行运动。
9.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的动作模仿方法的步骤。
10.一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的动作模仿方法的步骤。
CN201911227303.6A 2019-12-04 2019-12-04 一种动作模仿方法、装置、计算机可读存储介质及机器人 Active CN111055275B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911227303.6A CN111055275B (zh) 2019-12-04 2019-12-04 一种动作模仿方法、装置、计算机可读存储介质及机器人
US17/112,569 US11850747B2 (en) 2019-12-04 2020-12-04 Action imitation method and robot and computer readable medium using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911227303.6A CN111055275B (zh) 2019-12-04 2019-12-04 一种动作模仿方法、装置、计算机可读存储介质及机器人

Publications (2)

Publication Number Publication Date
CN111055275A true CN111055275A (zh) 2020-04-24
CN111055275B CN111055275B (zh) 2021-10-29

Family

ID=70299945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911227303.6A Active CN111055275B (zh) 2019-12-04 2019-12-04 一种动作模仿方法、装置、计算机可读存储介质及机器人

Country Status (2)

Country Link
US (1) US11850747B2 (zh)
CN (1) CN111055275B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561054A (zh) * 2020-12-03 2021-03-26 中国科学院光电技术研究所 一种基于批量特征热图的神经网络滤波器剪枝方法
CN112894828A (zh) * 2021-03-02 2021-06-04 乐聚(深圳)机器人技术有限公司 机器人动作模仿方法、装置、设备及存储介质
CN114161417A (zh) * 2021-12-07 2022-03-11 东莞市易联交互信息科技有限责任公司 一种机器人的动作控制方法和系统
CN117077723A (zh) * 2023-08-15 2023-11-17 支付宝(杭州)信息技术有限公司 一种数字人动作生产方法及装置

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210089552A (ko) * 2020-01-08 2021-07-16 엘지전자 주식회사 로봇의 위치 인식
CN116214528B (zh) * 2023-05-10 2023-10-03 深圳市安信达存储技术有限公司 一种人形机器人存储控制方法及控制系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109176512A (zh) * 2018-08-31 2019-01-11 南昌与德通讯技术有限公司 一种体感控制机器人的方法、机器人及控制装置
CN109531584A (zh) * 2019-01-31 2019-03-29 北京无线电测量研究所 一种基于深度学习的机械臂控制方法和装置
CN110211180A (zh) * 2019-05-16 2019-09-06 西安理工大学 一种基于深度学习的机械臂自主抓取方法
CN110202583A (zh) * 2019-07-09 2019-09-06 华南理工大学 一种基于深度学习的仿人机械手控制系统及其控制方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10807233B2 (en) * 2016-07-26 2020-10-20 The University Of Connecticut Skill transfer from a person to a robot
CN110537204A (zh) * 2017-06-28 2019-12-03 渊慧科技有限公司 使用分割和分类神经网络的可泛化医学图像分析
US11104001B2 (en) * 2019-03-13 2021-08-31 Sony Interactive Entertainment Inc. Motion transfer of highly dimensional movements to lower dimensional robot movements

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109176512A (zh) * 2018-08-31 2019-01-11 南昌与德通讯技术有限公司 一种体感控制机器人的方法、机器人及控制装置
CN109531584A (zh) * 2019-01-31 2019-03-29 北京无线电测量研究所 一种基于深度学习的机械臂控制方法和装置
CN110211180A (zh) * 2019-05-16 2019-09-06 西安理工大学 一种基于深度学习的机械臂自主抓取方法
CN110202583A (zh) * 2019-07-09 2019-09-06 华南理工大学 一种基于深度学习的仿人机械手控制系统及其控制方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561054A (zh) * 2020-12-03 2021-03-26 中国科学院光电技术研究所 一种基于批量特征热图的神经网络滤波器剪枝方法
CN112894828A (zh) * 2021-03-02 2021-06-04 乐聚(深圳)机器人技术有限公司 机器人动作模仿方法、装置、设备及存储介质
CN112894828B (zh) * 2021-03-02 2022-05-20 乐聚(深圳)机器人技术有限公司 机器人动作模仿方法、装置、设备及存储介质
CN114161417A (zh) * 2021-12-07 2022-03-11 东莞市易联交互信息科技有限责任公司 一种机器人的动作控制方法和系统
CN117077723A (zh) * 2023-08-15 2023-11-17 支付宝(杭州)信息技术有限公司 一种数字人动作生产方法及装置

Also Published As

Publication number Publication date
CN111055275B (zh) 2021-10-29
US11850747B2 (en) 2023-12-26
US20210170580A1 (en) 2021-06-10

Similar Documents

Publication Publication Date Title
CN111055275B (zh) 一种动作模仿方法、装置、计算机可读存储介质及机器人
CN111815754B (zh) 一种三维信息确定方法、三维信息确定装置及终端设备
CN111208783B (zh) 一种动作模仿方法、装置、终端及计算机存储介质
CN108369643B (zh) 用于3d手部骨架跟踪的方法和系统
CN111015655B (zh) 机械臂抓取方法、装置、计算机可读存储介质及机器人
CN113601503B (zh) 手眼标定方法、装置、计算机设备和存储介质
RU2700246C1 (ru) Способ и система захвата объекта с помощью роботизированного устройства
CN107953329A (zh) 物体识别和姿态估计方法、装置及机械臂抓取系统
CN110232326B (zh) 一种三维物体识别方法、装置及存储介质
CN108171715B (zh) 一种图像分割方法及装置
CN113298870B (zh) 一种物体的姿态跟踪方法、装置、终端设备和存储介质
CN108177146A (zh) 机器人头部的控制方法、装置及计算设备
CN107481280A (zh) 一种骨骼点的矫正方法及计算设备
CN112233076A (zh) 基于红色圆标靶图像处理的结构振动位移测量方法及装置
CN113160313A (zh) 一种透明物体抓取控制方法、装置、终端及存储介质
CN113997295A (zh) 机械臂的手眼标定方法、装置、电子设备及存储介质
CN115170629A (zh) 一种伤口信息获取方法、装置、设备及存储介质
CN115311186A (zh) 一种红外与可见光图像跨尺度注意力对抗融合方法及终端
CN110275615B (zh) 一种力反馈仿真数据的生成方法及一种力反馈仿真系统
Sabo et al. A lightweight, inexpensive robotic system for insect vision
CN112241001B (zh) 雷达人体动作识别方法、装置、电子设备和存储介质
CN111179408A (zh) 三维建模的方法及设备
CN110633630B (zh) 一种行为识别方法、装置及终端设备
CN111104965A (zh) 车辆目标识别的方法及装置
CN113658274B (zh) 用于灵长类动物种群行为分析的个体间距自动计算方法

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