CN111331598B - 基于遗传算法优化神经网络结构的机器人姿态控制方法 - Google Patents
基于遗传算法优化神经网络结构的机器人姿态控制方法 Download PDFInfo
- Publication number
- CN111331598B CN111331598B CN202010117112.0A CN202010117112A CN111331598B CN 111331598 B CN111331598 B CN 111331598B CN 202010117112 A CN202010117112 A CN 202010117112A CN 111331598 B CN111331598 B CN 111331598B
- Authority
- CN
- China
- Prior art keywords
- robot
- clamping piece
- arm
- robot arm
- motion
- 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.)
- Active
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
- B25J9/1602—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
- 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
Abstract
本发明公开了一种基于遗传算法优化神经网络结构的机器人姿态控制方法，包括建立机器人手臂和夹持件位姿的运动学方程；确定机器人手臂和夹持件运动的轨迹参数；获取机器人手臂和夹持件的运动轨迹，对运动的轨迹点进行采样；对机器人运动学方程中无干涉轨迹点的手臂和夹持件位姿进行逆运动学求解，求出表征机器人手臂转动角度的集合、行进距离的集合、加速度集合和机器人夹持件握持力度值的集合、握持空间大小距离值的集合；获取机器人手臂和夹持件参数对应集合，基于遗传算法求出对应的机器人手臂和夹持件参数对应最优解。实现通过遗传算法优化机器人的手臂和夹持件的姿态参数，得到最优解，提高机器人姿态控制的准确性，提高加工效率。
Description
技术领域
本发明涉及机器人姿态控制技术领域，尤其涉及一种基于遗传算法优化神经网络结构的机器人姿态控制方法。
背景技术
如今工业发展迅速，传统的人工操作已被机器人代替。机器人是自动执行工作的机器装置。它既可以接收人类指挥，又可以运行预先编排的程序，也可以根据以人工智能技术制定的原则纲领行动。但是现在的机器人姿态控制的准确率低，容易导致加工物体损坏，降低加工效率。
发明内容
本发明的目的在于提供一种基于遗传算法优化神经网络结构的机器人姿态控制方法，旨在解决现在的机器人姿态控制的准确率低，容易导致加工物体损坏，降低加工效率的问题。
为实现上述目的，本发明提供了一种基于遗传算法优化神经网络结构的机器人姿态控制方法，包括：
S1：建立机器人手臂位姿和机器人夹持件位姿的机器人运动学方程；
S2：基于加工物体形状、大小和位置确定机器人手臂运动的轨迹参数和机器人夹持件运动的轨迹参数，所述机器人手臂运动的轨迹参数包括以手臂为轴的转动角度、行进距离和加速度；所述机器人夹持件运动的轨迹参数包括夹持件的握持力度和握持空间大小距离；
S3：获取机器人手臂的运动轨迹和机器人夹持件的运动轨迹，对运动的轨迹点进行采样；
S4：对所述机器人运动学方程中无干涉轨迹点的手臂和夹持件位姿进行逆运动学求解，求出表征机器人手臂转动角度的集合、行进距离的集合、加速度集合和机器人夹持件握持力度值的集合、握持空间大小距离值的集合；
S5：获取机器人手臂转动角度的集合、行进距离的集合、加速度集合和机器人夹持件握持力度值的集合、握持空间大小距离值的集合，基于遗传算法求出对应的机器人手臂转动角度最优解、机器人手臂行进距离最优解、机器人手臂加速度最优解、机器人夹持件握持力度最优解和机器人夹持件握持空间大小最优解。
在一实施方式中，在所述步骤S2中，
S2-1：获取加工物体图像，对加工物体图像进行预处理；
S2-2：基于图像矩原理得出加工物体大小、形状和位置。
在一实施方式中，在所述步骤S2中，
S2-3：基于神经网络结构建立夹持件抓取力度运动方程，选取对应加工物体的对应抓取轨迹参数。
在一实施方式中，在所述步骤S3中，
S3-1：在所述机器人手臂的轨迹上等时间间隔选取参考点。
在一实施方式中，在所述步骤S5中，
S5-1：对机器人手臂转动角度的集合、行进距离的集合、加速度的集合和机器人夹持件握持力度值的集合、握持空间大小距离值的集合分别进行编码，分别生成对应的初代种群染色体；
S5-2：分别建立机器人手臂对应转动角度、行进距离和加速度的运动关节变化量的目标函数以及机器人夹持件对应握持力度和握持空间大小距离的运动关节变化量的目标函数；
S5-3：分别建立对应所述目标函数的适应度函数；
S5-4：对对应的所述初代种群染色体进行遗传迭代操作，直到其子代种群染色体满足对应所述适应度函数的停止条件，将所述子代种群染色体作为目标种群染色体；
S5-5：对对应所述目标种群染色体进行解码后得到对应目标逆解。
本发明的一种基于遗传算法优化神经网络结构的机器人姿态控制方法，通过建立机器人手臂和夹持件位姿的运动学方程；确定机器人手臂和夹持件运动的轨迹参数；获取机器人手臂和夹持件的运动轨迹，对运动的轨迹点进行采样；对机器人运动学方程中无干涉轨迹点的手臂和夹持件位姿进行逆运动学求解，求出表征机器人手臂转动角度的集合、行进距离的集合、加速度集合和机器人夹持件握持力度值的集合、握持空间大小距离值的集合；获取机器人手臂和夹持件参数对应集合，基于遗传算法求出对应的机器人手臂和夹持件参数对应最优解。实现通过遗传算法优化机器人的手臂和夹持件的姿态参数，得到最优解，提高机器人姿态控制的准确性，避免损坏加工物体，提高加工效率。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明基于遗传算法优化神经网络结构的机器人姿态控制方法的流程示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
请参阅图1，本发明提供一种基于遗传算法优化神经网络结构的机器人姿态控制方法，具体的，所述基于遗传算法优化神经网络结构的机器人姿态控制方法可以包括以下步骤：
S1：建立机器人手臂位姿和机器人夹持件位姿的机器人运动学方程；
本发明实施例中，机器人运动学方程是描述中力与位移关系的数学表达式，如牛顿第二定律、D’Alembert原理、虚位移原理、Hamilton原理和Lagrange方程。牛顿第二定律：F＝ma，根据单质点体系的受力分析可以直接写出该单质点体系的运动方程：
牛顿第二定律是最容易接受的力学知识建立体系的运动方程。D’Alembert原理(直接动力平衡法)，在体系运动的任一瞬时，如果除了实际作用结构的主动力(包括阻尼力)和约束反力外，再加上(假想的)惯性力，则在该时刻体系将处于假想的平衡状态(动力平衡)。
p(t)-fI-fD-fs＝0；其中，
采用D’Alembert原理的好处是形式上动力问题就变成了静力问题，静力问题中用来建立控制方程的方法，都可以用于建立动力问题的平衡方程，使对动力问题的思考有一定的简化。
虚位移原理是在一组外力作用下的平衡系统发生一个虚位移时，外力在虚位移上所做的虚功总和恒等于零。虚位移是指满足体系约束条件的无限小位移。设体系发生一个虚位移du，则平衡力系在du上做的总虚功为：
p(t)δu-fIδu-fDδu-fsδu＝0
其中，
采用虚位移原理的好处是建立在对虚功分析的基础之上，而虚功是一个标量，可以按代数方式运算，因而矢量运算更简便。Hamilton原理是可以应用变分法(原理)建立结构体系的运动方程。Hamilton原理是不明显使用惯性力和弹性力，而分别用对动能和位能的变分代替。Hamilton原理是一种积分形式的动力问题的变分方法，除非保守力(阻尼力)外，是一个完全的标量分析方法，不必直接分析惯性力和保守力(主要是弹性恢复力)，而惯性力和弹性恢复力是建立运动方程时最为困难的处理对象。
S2：基于加工物体形状、大小和位置确定机器人手臂运动的轨迹参数和机器人夹持件运动的轨迹参数；
本发明实施例中，所述机器人手臂运动的轨迹参数包括以手臂为轴的转动角度、行进距离和加速度；所述机器人夹持件运动的轨迹参数包括夹持件的握持力度和握持空间大小距离；所述机器人手臂运动的转动角度、行进距离和加速度关系到机器人到达加工物体的位置的快慢和准确度；所述机器人夹持件的握持力度和握持空间大小距离关系到机器人对加工物体具体的位姿操作准确性。
S2-1：获取加工物体图像，对加工物体图像进行预处理；即拍摄当前加工物体在加工现场内的图像，预处理为图像二值化，即将图像上的像素点的恢复值设置为0或255，也就是将整个图像呈现的黑白效果的过程，使图像中数据量大为减少，从而凸显出目标的轮廓，便于对加工物体的识别。
S2-2：基于图像矩原理得出加工物体大小、形状和位置。图像矩原理是通过分别提取两个或多个图像的特征(点、线、面等特征)，对特征进行参数描述，然后运用所描述的参数来进行匹配的一种算法。基于特征的匹配所处理的图像一般包含的特征有颜色特征、纹理特征、形状特征、空间位置特征等。从而得到加工物体的大小、形状和位置，便于提高机器人位姿控制的准确性。
S2-3：基于神经网络结构建立夹持件抓取力度运动方程，选取对应加工物体的对应抓取轨迹参数。神经网络是应用类似于大脑神经突触联接的结构进行信息处理的数学模型。抓取力度运动方程为
其中，M,B,k分别为机器人的惯性、阻尼和刚度系数，F为接触力大小，x为位置形变。根据阻抗控制原理保持夹持件在抓取过程中的恒力接触，使得夹持件既能稳定的夹住加工物体，又不至于对其产生损坏，进而提供机器人位姿控制的准确性，提高加工生产效率。
S3：获取机器人手臂的运动轨迹和机器人夹持件的运动轨迹，对运动的轨迹点进行采样；
本发明实施例中，S3-1：在所述机器人手臂的轨迹上等时间间隔选取参考点，便于后续进行最优求解。
S4：对所述机器人运动学方程中无干涉轨迹点的手臂和夹持件位姿进行逆运动学求解，求出表征机器人手臂转动角度的集合、行进距离的集合、加速度集合和机器人夹持件握持力度值的集合、握持空间大小距离值的集合；
本发明实施例中，逆运动学求解是决定要达成所需的姿势所要设置的关节可活动对象的参数的过程。以关节连接的物体由一组通过关节连接的刚性片段组成。变换关节的角度可以产生无穷的形状。正向运动学问题的解，是给定这些角度时物体的姿势。逆运动学的解是给定物体的姿势时找到关节的角度和位置，进而得到角度、距离、力度。
S5：获取机器人手臂转动角度的集合、行进距离的集合、加速度集合和机器人夹持件握持力度值的集合、握持空间大小距离值的集合，基于遗传算法求出对应的机器人手臂转动角度最优解、机器人手臂行进距离最优解、机器人手臂加速度最优解、机器人夹持件握持力度最优解和机器人夹持件握持空间大小最优解。
本发明实施例中，S5-1：对机器人手臂转动角度的集合、行进距离的集合、加速度的集合和机器人夹持件握持力度值的集合、握持空间大小距离值的集合分别进行编码，分别生成对应的初代种群染色体；
S5-2：分别建立机器人手臂对应转动角度、行进距离和加速度的运动关节变化量的目标函数以及机器人夹持件对应握持力度和握持空间大小距离的运动关节变化量的目标函数；
S5-3：分别建立对应所述目标函数的适应度函数；
S5-4：对对应的所述初代种群染色体进行遗传迭代操作，直到其子代种群染色体满足对应所述适应度函数的停止条件，将所述子代种群染色体作为目标种群染色体；
S5-5：对对应所述目标种群染色体进行解码后得到对应目标逆解。
遗传算法是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群(population)开始的，而一个种群则由经过基因(gene)编码的一定数目的个体(individual)组成。每个个体实际上是染色体(chromosome)带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现(即基因型)是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代(generation)演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度(fitness)大小选择(selection)个体，并借助于自然遗传学的遗传算子(genetic operators)进行组合交叉(crossover)和变异(mutation)，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码(decoding)，可以作为问题近似最优解。
本发明的一种基于遗传算法优化神经网络结构的机器人姿态控制方法，通过建立机器人手臂和夹持件位姿的运动学方程；确定机器人手臂和夹持件运动的轨迹参数；获取机器人手臂和夹持件的运动轨迹，对运动的轨迹点进行采样；对机器人运动学方程中无干涉轨迹点的手臂和夹持件位姿进行逆运动学求解，求出表征机器人手臂转动角度的集合、行进距离的集合、加速度集合和机器人夹持件握持力度值的集合、握持空间大小距离值的集合；获取机器人手臂和夹持件参数对应集合，基于遗传算法求出对应的机器人手臂和夹持件参数对应最优解。实现通过遗传算法优化机器人的手臂和夹持件的姿态参数，得到最优解，提高机器人姿态控制的准确性，避免损坏加工物体，提高加工效率。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。
Claims (3)
1.一种基于遗传算法优化神经网络结构的机器人姿态控制方法，其特征在于，包括：
S1：建立机器人手臂位姿和机器人夹持件位姿的机器人运动学方程；
S2：基于加工物体形状、大小和位置确定机器人手臂运动的轨迹参数和机器人夹持件运动的轨迹参数，所述机器人手臂运动的轨迹参数包括以手臂为轴的转动角度、行进距离和加速度；所述机器人夹持件运动的轨迹参数包括夹持件的握持力度和握持空间大小距离；
S3：获取机器人手臂的运动轨迹和机器人夹持件的运动轨迹，对运动的轨迹点进行采样；
S4：对所述机器人运动学方程中无干涉轨迹点的手臂和夹持件位姿进行逆运动学求解，求出表征机器人手臂转动角度的集合、行进距离的集合、加速度集合和机器人夹持件握持力度值的集合、握持空间大小距离值的集合；
S5：获取机器人手臂转动角度的集合、行进距离的集合、加速度集合和机器人夹持件握持力度值的集合、握持空间大小距离值的集合，基于遗传算法求出对应的机器人手臂转动角度最优解、机器人手臂行进距离最优解、机器人手臂加速度最优解、机器人夹持件握持力度最优解和机器人夹持件握持空间大小最优解；
在所述步骤S2中，
S2-1：获取加工物体图像，对加工物体图像进行预处理；
S2-2：基于图像矩原理得出加工物体大小、形状和位置；
S2-3：基于神经网络结构建立夹持件抓取力度运动方程，选取对应加工物体的对应抓取轨迹参数，其中，抓取力度运动方程为
其中，M,B,k分别为机器人的惯性、阻尼和刚度系数，F为接触力大小，x为位置形变，根据阻抗控制原理保持夹持件在抓取过程中的恒力接触。
2.如权利要求1所述的基于遗传算法优化神经网络结构的机器人姿态控制方法，其特征在于，在所述步骤S3中，
S3-1：在所述机器人手臂的轨迹上等时间间隔选取参考点。
3.如权利要求1所述的基于遗传算法优化神经网络结构的机器人姿态控制方法，其特征在于，在所述步骤S5中，
S5-1：对机器人手臂转动角度的集合、行进距离的集合、加速度的集合和机器人夹持件握持力度值的集合、握持空间大小距离值的集合分别进行编码，分别生成对应的初代种群染色体；
S5-2：分别建立机器人手臂对应转动角度、行进距离和加速度的运动关节变化量的目标函数以及机器人夹持件对应握持力度和握持空间大小距离的运动关节变化量的目标函数；
S5-3：分别建立对应所述目标函数的适应度函数；
S5-4：对对应的所述初代种群染色体进行遗传迭代操作，直到其子代种群染色体满足对应所述适应度函数的停止条件，将所述子代种群染色体作为目标种群染色体；
S5-5：对对应所述目标种群染色体进行解码后得到对应目标逆解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010117112.0A CN111331598B (zh) | 2020-02-25 | 2020-02-25 | 基于遗传算法优化神经网络结构的机器人姿态控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010117112.0A CN111331598B (zh) | 2020-02-25 | 2020-02-25 | 基于遗传算法优化神经网络结构的机器人姿态控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111331598A CN111331598A (zh) | 2020-06-26 |
| CN111331598B true CN111331598B (zh) | 2021-08-31 |
Family
ID=71175767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010117112.0A Active CN111331598B (zh) | 2020-02-25 | 2020-02-25 | 基于遗传算法优化神经网络结构的机器人姿态控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111331598B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116861175A (zh) * | 2023-06-16 | 2023-10-10 | 云浮市赢石网络科技有限公司 | 一种基于神经网络的运行轨迹校正方法 |
| CN116680961B (zh) * | 2023-07-28 | 2023-12-29 | 中科航迈数控软件(深圳)有限公司 | 考虑夹持力变形的测量补偿方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107571260A (zh) * | 2017-10-25 | 2018-01-12 | 南京阿凡达机器人科技有限公司 | 控制机器人抓取物体的方法和装置 |
| US10058995B1 (en) * | 2016-07-08 | 2018-08-28 | X Development Llc | Operating multiple testing robots based on robot instructions and/or environmental parameters received in a request |
| CN109397292A (zh) * | 2018-11-23 | 2019-03-01 | 华中科技大学 | 一种基于解析解的7自由度机械臂控制方法与系统 |
| CN109623818A (zh) * | 2018-12-20 | 2019-04-16 | 北京理工大学 | 一种基于时间分组的机械臂关节轨迹优化方法 |
| CN110202574A (zh) * | 2019-06-05 | 2019-09-06 | 南京航空航天大学 | 基于环境刚度估计的机器人自适应混合阻抗/导纳控制方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5962020B2 (ja) * | 2012-01-17 | 2016-08-03 | セイコーエプソン株式会社 | ロボット制御装置、ロボットシステム、ロボット及びロボット制御方法 |
| CA3062101A1 (en) * | 2017-05-03 | 2018-11-08 | Taiga Robotics Corp. | Systems and methods for remotely controlling a robotic device |
| CN110421547B (zh) * | 2019-07-12 | 2022-10-28 | 中南大学 | 一种基于估计动力学模型的双臂机器人协同阻抗控制方法 |
-
2020
- 2020-02-25 CN CN202010117112.0A patent/CN111331598B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10058995B1 (en) * | 2016-07-08 | 2018-08-28 | X Development Llc | Operating multiple testing robots based on robot instructions and/or environmental parameters received in a request |
| CN107571260A (zh) * | 2017-10-25 | 2018-01-12 | 南京阿凡达机器人科技有限公司 | 控制机器人抓取物体的方法和装置 |
| CN109397292A (zh) * | 2018-11-23 | 2019-03-01 | 华中科技大学 | 一种基于解析解的7自由度机械臂控制方法与系统 |
| CN109623818A (zh) * | 2018-12-20 | 2019-04-16 | 北京理工大学 | 一种基于时间分组的机械臂关节轨迹优化方法 |
| CN110202574A (zh) * | 2019-06-05 | 2019-09-06 | 南京航空航天大学 | 基于环境刚度估计的机器人自适应混合阻抗/导纳控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于遗传算法的机器人高精度运动复现方法;第34卷第8期;《机械设计》;20170831;全文 * |
| 手术机器人的夹持力检测及其反馈控制研究;黄佳清;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20200215;第11-59页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111331598A (zh) | 2020-06-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108196453B (zh) | 一种机械臂运动规划群体智能计算方法 | |
| CN111203878B (zh) | 一种基于视觉模仿的机器人序列任务学习方法 | |
| CN108247637B (zh) | 一种工业机器人手臂视觉防撞操控方法 | |
| Zhao et al. | Robust realtime physics-based motion control for human grasping | |
| CN109483534B (zh) | 一种物体抓取方法、装置和系统 | |
| CN111331598B (zh) | 基于遗传算法优化神经网络结构的机器人姿态控制方法 | |
| CN112489117B (zh) | 一种单视角点云下基于域迁移的机器人抓取位姿检测方法 | |
| Huang et al. | Grasping novel objects with a dexterous robotic hand through neuroevolution | |
| CN111152227A (zh) | 一种基于引导式dqn控制的机械臂控制方法 | |
| Inoue et al. | Transfer learning from synthetic to real images using variational autoencoders for robotic applications | |
| Liang et al. | Multifingered grasping based on multimodal reinforcement learning | |
| CN115686193A (zh) | 一种增强现实环境下虚拟模型三维手势操纵方法及系统 | |
| Mayer et al. | FFHNet: Generating multi-fingered robotic grasps for unknown objects in real-time | |
| Ito et al. | Integrated learning of robot motion and sentences: Real-time prediction of grasping motion and attention based on language instructions | |
| Sui et al. | Transfer of robot perception module with adversarial learning | |
| Fornas et al. | Fitting primitive shapes in point clouds: a practical approach to improve autonomous underwater grasp specification of unknown objects | |
| KR102423490B1 (ko) | 로봇의 파지 방법 및 이를 위한 학습 방법 | |
| CN114820802A (zh) | 高自由度灵巧手抓取规划方法、装置和计算机设备 | |
| Fan et al. | Tac-VGNN: A Voronoi Graph Neural Network for Pose-Based Tactile Servoing | |
| Hwang et al. | Primitive object grasping for finger motion synthesis | |
| Gao et al. | A hierarchical manipulation scheme for robotic sorting of multiwire cables with hybrid vision | |
| Sun et al. | Precise grabbing of overlapping objects system based on end-to-end deep neural network | |
| Tarbouriech et al. | Advanced control strategy for the visual servoing scheme | |
| He et al. | Imitation Learning Study for Robotic Peg-in-hole Assembly | |
| Gao et al. | Viewing Angle Generative Model for 7-DoF Robotic Grasping |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20211227 Address after: 314001 405, 4 building, 3 Tong De road, Wutong street, Tongxiang, Jiaxing, Zhejiang, China, 550 Patentee after: Zhejiang tongben Technology Co.,Ltd. Address before: 314001 Jiaxing College, Nanhu District, Jiaxing City, Zhejiang Province Patentee before: Du Weifeng |
|
| TR01 | Transfer of patent right |