CN111832921B - 基于机器学习的工业机器人性能指标评价设备及方法 - Google Patents
基于机器学习的工业机器人性能指标评价设备及方法 Download PDFInfo
- Publication number
- CN111832921B CN111832921B CN202010618573.6A CN202010618573A CN111832921B CN 111832921 B CN111832921 B CN 111832921B CN 202010618573 A CN202010618573 A CN 202010618573A CN 111832921 B CN111832921 B CN 111832921B
- Authority
- CN
- China
- Prior art keywords
- performance
- performance evaluation
- evaluation factor
- industrial robot
- interval
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Manipulator (AREA)
Abstract
本发明涉及基于机器学习的工业机器人性能指标评价设备及方法,包括以下步骤:步骤101、分别获取机械臂的临界承重力N、避障处理时间T1以及CPU反应时间T2;步骤102、根据机械臂的临界承重力N进行转换得到第一性能评价因子Y1,根据避障处理时间T1进行转换得到第二性能评价因子Y2,根据CPU反应时间T2进行转换得到第三性能评价因子Y3;步骤103、将第一性能评价因子Y1、第二性能评价因子Y2以及第三性能评价因子Y3带入权重预测模型得到待评测的工业机器人的性能得分X;步骤104、根据所述性能得分与性能指标对比表进行匹配对待评测的工业机器人进行性能评价。本发明所采用的计算方式较为简单,并能够对工业机器人的性能指标进行智能化预测。
Description
技术领域
本发明涉及人工智能领域,尤其涉及基于机器学习的工业机器人性能指标评价设备及方法。
背景技术
工业机器人是面向工业领域的多关节机械手或多自由度的机器装置,它能自动执行工作,是靠自身动力和控制能力来实现各种功能的一种机器。它可以接受人类指挥,也可以按照预先编排的程序运行,现代的工业机器人还可以根据人工智能技术制定的原则纲领行动。
现有的对工业机器人进行性能指标评价往往不够智能化,需要专业的工程师进行实地考察,并根据其经验来对工业机器人的性能进行评价,这样的话难免较为主观,且专业的工程师的经历也有限,培养一个专业的工程师也十分困难。
当今市场需要一种智能化地对工业机器人进行评价的设备以及对应的方法,能够对工业机器人的性能指标进行智能化地评价。
发明内容
本发明的目的是至少解决现有技术的不足之一,为此提供基于机器学习的工业机器人性能指标评价方法。
为了实现上述目的,本发明采用以下的技术方案:
根据本发明第一方面的实施例,提出基于机器学习的工业机器人性能指标评价方法,包括以下步骤:
步骤101、分别获取机械臂的临界承重力N、避障处理时间T1以及CPU反应时间T2;
步骤102、根据机械臂的临界承重力N进行转换得到第一性能评价因子Y1,根据避障处理时间T1进行转换得到第二性能评价因子Y2,根据CPU反应时间T2进行转换得到第三性能评价因子Y3;
步骤103、将第一性能评价因子Y1、第二性能评价因子Y2以及第三性能评价因子Y3带入权重预测模型得到待评测的工业机器人的性能得分X,所述权重预测模型为:
X=Y1*W1+Y2*W2+Y3*W3;
其中W1为所述第一性能评价因子Y1的权重值,W2为所述第二性能评价因子Y2的权重值,W3为所述第三性能评价因子Y3的权重值;
步骤104、根据所述性能得分与性能指标对比表进行匹配对待评测的工业机器人进行性能评价,所述性能指标对比表包括性能得分区间以及所述性能得分区间对应的性能评价等级。
进一步,上述步骤102中得到第一性能评价因子Y1、得到第二性能评价因子Y2以及得到第三性能评价因子Y3的具体方式包括以下:
选取一批P个新产出的质检合格的工业机器人作为样本,将样本中的工业机器人的临界承重力、避障处理时间以及CPU反应时间取平均值作为参照的工业机器人的临界承重力n、避障处理时间t1以及CPU反应时间t2;
则第一性能评价因子Y1=N/n,第二性能评价因子Y2=t1/T1,第三性能评价因子Y3=t2/T2。
进一步,上述步骤103中的权重预测模型的权重W1、W2以及W3通过层次分析法或随机森林算法进行训练得到。
进一步,上述步骤104中的所述性能指标对比表的所述性能得分区间一共设置有4个,分别为区间1[min,0.25max],所述区间1对应较差性能评价等级;区间2[0.25max,0.5max],所述区间2对应中等性能评价等级;区间3[0.5max,0.75max],所述区间3对应较佳性能评价等级;区间4[0.75max,max],所述区间4对应优秀性能评价等级;
其中min为最低性能得分,max为最高性能得分。
本发明还提出基于机器学习的工业机器人性能指标评价系统,包括:
第一获取模块,用于获取待评测工业机器人的机械臂的临界承重力N、避障处理时间T1以及CPU反应时间T2;
第一转换模块,用于根据机械臂的临界承重力N进行转换得到第一性能评价因子Y1,根据避障处理时间T1进行转换得到第二性能评价因子Y2,根据CPU反应时间T2进行转换得到第三性能评价因子Y3;
第一计算模块,用于将第一性能评价因子Y1、第二性能评价因子Y2以及第三性能评价因子Y3带入权重预测模型得到待评测的工业机器人的性能得分X,所述权重预测模型为:
X=Y1*W1+Y2*W2+Y3*W3;
第一比对模块,用于根据所述性能得分与性能指标对比表进行匹配对待评测的工业机器人进行性能评价,所述性能指标对比表包括性能得分区间以及所述性能得分区间对应的性能评价等级。
根据本发明第二方面的实施例,本发明还提出基于机器学习的工业机器人性能指标评价设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如本发明第一方面的实施例中任一项所述的基于机器学习的工业机器人性能指标评价方法的步骤。
根据本发明第三方面的实施例,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现如本发明第一方面的实施例中任一项所述的基于机器学习的工业机器人性能指标评价方法的步骤。
本发明的有益效果为:本发明通过针对工业机器人的机械臂的临界承重力N、避障处理时间T1以及CPU反应时间T2进行转化得到性能指标评价的第一性能评价因子Y1、第二性能评价因子Y2以及第三性能评价因子Y3,在将将第一性能评价因子Y1、第二性能评价因子Y2以及第三性能评价因子Y3带入权重预测模型得到待评测的工业机器人的性能得分X,计算较为简单,并能够对工业机器人的性能指标进行智能化预测。
附图说明
图1所示为本发明基于机器学习的工业机器人性能指标评价方法的流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。
根据本发明第一方面的实施例,结合图1,提出基于机器学习的工业机器人性能指标评价方法,包括以下步骤:
步骤101、分别获取机械臂的临界承重力N、避障处理时间T1以及CPU反应时间T2;
步骤102、根据机械臂的临界承重力N进行转换得到第一性能评价因子Y1,根据避障处理时间T1进行转换得到第二性能评价因子Y2,根据CPU反应时间T2进行转换得到第三性能评价因子Y3;
步骤103、将第一性能评价因子Y1、第二性能评价因子Y2以及第三性能评价因子Y3带入权重预测模型得到待评测的工业机器人的性能得分X,所述权重预测模型为:
X=Y1*W1+Y2*W2+Y3*W3;
其中W1为所述第一性能评价因子Y1的权重值,W2为所述第二性能评价因子Y2的权重值,W3为所述第三性能评价因子Y3的权重值;
步骤104、根据所述性能得分与性能指标对比表进行匹配对待评测的工业机器人进行性能评价,所述性能指标对比表包括性能得分区间以及所述性能得分区间对应的性能评价等级。
在本实施方式中,可以通过不断增加测试机械臂的承重力的值直到达到临界平衡的方式来获得机械臂的临界承受重力N;通过在工业机器人发送避障请求指令时开始计时到避障结束时停止计时来得到避障处理时间T1;在CPU接收指令时开始计时,在CPU发出相应的控制指令时停止计时来得到CPU反应时间T2
能够通过针对工业机器人的机械臂的临界承重力N、避障处理时间T1以及CPU反应时间T2进行转化得到性能指标评价的第一性能评价因子Y1、第二性能评价因子Y2以及第三性能评价因子Y3,在将将第一性能评价因子Y1、第二性能评价因子Y2以及第三性能评价因子Y3带入权重预测模型得到待评测的工业机器人的性能得分X,计算较为简单,并能够对工业机器人的性能指标进行智能化预测。
作为本发明的优选实施方式,上述步骤102中得到第一性能评价因子Y1、得到第二性能评价因子Y2以及得到第三性能评价因子Y3的具体方式包括以下:
选取一批P个新产出的质检合格的工业机器人作为样本,将样本中的工业机器人的临界承重力、避障处理时间以及CPU反应时间取平均值作为参照的工业机器人的临界承重力n、避障处理时间t1以及CPU反应时间t2;
则第一性能评价因子Y1=N/n,第二性能评价因子Y2=t1/T1,第三性能评价因子Y3=t2/T2。
作为本发明的优选实施方式,上述步骤103中的权重预测模型的权重W1、W2以及W3通过层次分析法或随机森林算法进行训练得到。
在本实施方式中使用了较为常用的机器学习算法来得到权重预测模型的权重W1、W2以及W3,当然也可以通过其他方式得到,合理即可。
作为本发明的优选实施方式,上述步骤104中的所述性能指标对比表的所述性能得分区间一共设置有4个,分别为区间1[min,0.25max],所述区间1对应较差性能评价等级;区间2[0.25max,0.5max],所述区间2对应中等性能评价等级;区间3[0.5max,0.75max],所述区间3对应较佳性能评价等级;区间4[0.75max,max],所述区间4对应优秀性能评价等级;
其中min为最低性能得分,max为最高性能得分。
按照上述方式对性能评价等级进行划分较具有代表性,在实际应用时也可以既显示性能评价等级又显示性能得分,这样会使结果更明了。
本发明还提出基于机器学习的工业机器人性能指标评价系统,包括:
第一获取模块,用于获取待评测工业机器人的机械臂的临界承重力N、避障处理时间T1以及CPU反应时间T2;
第一转换模块,用于根据机械臂的临界承重力N进行转换得到第一性能评价因子Y1,根据避障处理时间T1进行转换得到第二性能评价因子Y2,根据CPU反应时间T2进行转换得到第三性能评价因子Y3;
第一计算模块,用于将第一性能评价因子Y1、第二性能评价因子Y2以及第三性能评价因子Y3带入权重预测模型得到待评测的工业机器人的性能得分X,所述权重预测模型为:
X=Y1*W1+Y2*W2+Y3*W3;
第一比对模块,用于根据所述性能得分与性能指标对比表进行匹配对待评测的工业机器人进行性能评价,所述性能指标对比表包括性能得分区间以及所述性能得分区间对应的性能评价等级。
根据本发明第二方面的实施例,本发明还提出基于机器学习的工业机器人性能指标评价设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如本发明第一方面的实施例中任一项所述的基于机器学习的工业机器人性能指标评价方法的步骤。
根据本发明第三方面的实施例,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现本发明第一方面的实施例中任一项所述的基于机器学习的工业机器人性能指标评价方法的步骤。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块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取存储介质中。基于这样的理解,本发明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的介质中,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-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、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是电载波信号和电信信号。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本发明的预定范围。此外,上文以发明人可预见的实施例对本发明进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (6)
1.基于机器学习的工业机器人性能指标评价方法,其特征在于,包括以下步骤:
步骤101、分别获取机械臂的临界承重力N、避障处理时间T1以及CPU反应时间T2;
步骤102、根据机械臂的临界承重力N进行转换得到第一性能评价因子Y1,根据避障处理时间T1进行转换得到第二性能评价因子Y2,根据CPU反应时间T2进行转换得到第三性能评价因子Y3;
步骤103、将第一性能评价因子Y1、第二性能评价因子Y2以及第三性能评价因子Y3带入权重预测模型得到待评测的工业机器人的性能得分X,所述权重预测模型为:
X=Y1*W1+Y2*W2+Y3*W3;
其中W1为所述第一性能评价因子Y1的权重值,W2为所述第二性能评价因子Y2的权重值,W3为所述第三性能评价因子Y3的权重值;
步骤104、根据所述性能得分与性能指标对比表进行匹配对待评测的工业机器人进行性能评价,所述性能指标对比表包括性能得分区间以及所述性能得分区间对应的性能评价等级;
上述步骤102中得到第一性能评价因子Y1、得到第二性能评价因子Y2以及得到第三性能评价因子Y3的具体方式包括以下:
选取一批P个新产出的质检合格的工业机器人作为样本,将样本中的工业机器人的临界承重力、避障处理时间以及CPU反应时间取平均值作为参照的工业机器人的临界承重力n、避障处理时间t1以及CPU反应时间t2;
则第一性能评价因子Y1=N/n,第二性能评价因子Y2=t1/T1,第三性能评价因子Y3=t2/T2。
2.根据权利要求1所述的基于机器学习的工业机器人性能指标评价方法,其特征在于,上述步骤103中的权重预测模型的权重W1、W2以及W3通过层次分析法或随机森林算法进行训练得到。
3.根据权利要求1所述的基于机器学习的工业机器人性能指标评价方法,其特征在于,上述步骤104中的所述性能指标对比表的所述性能得分区间一共设置有4个,分别为区间1[min,0.25max],所述区间1对应较差性能评价等级;区间2[0.25max,0.5max],所述区间2对应中等性能评价等级;区间3[0.5max,0.75max],所述区间3对应较佳性能评价等级;区间4[0.75max,max],所述区间4对应优秀性能评价等级;
其中min为最低性能得分,max为最高性能得分。
4.基于机器学习的工业机器人性能指标评价系统,其特征在于,包括:
第一获取模块,用于获取待评测工业机器人的机械臂的临界承重力N、避障处理时间T1以及CPU反应时间T2;
第一转换模块,用于根据机械臂的临界承重力N进行转换得到第一性能评价因子Y1,根据避障处理时间T1进行转换得到第二性能评价因子Y2,根据CPU反应时间T2进行转换得到第三性能评价因子Y3;
第一计算模块,用于将第一性能评价因子Y1、第二性能评价因子Y2以及第三性能评价因子Y3带入权重预测模型得到待评测的工业机器人的性能得分X,所述权重预测模型为:
X=Y1*W1+Y2*W2+Y3*W3;
第一比对模块,用于根据所述性能得分与性能指标对比表进行匹配对待评测的工业机器人进行性能评价,所述性能指标对比表包括性能得分区间以及所述性能得分区间对应的性能评价等级;
所述第一转换模块中得到第一性能评价因子Y1、得到第二性能评价因子Y2以及得到第三性能评价因子Y3的具体方式包括:
选取一批P个新产出的质检合格的工业机器人作为样本,将样本中的工业机器人的临界承重力、避障处理时间以及CPU反应时间取平均值作为参照的工业机器人的临界承重力n、避障处理时间t1以及CPU反应时间t2;
则第一性能评价因子Y1=N/n,第二性能评价因子Y2=t1/T1,第三性能评价因子Y3=t2/T2。
5.基于机器学习的工业机器人性能指标评价设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1-3任一项所述的基于机器学习的工业机器人性能指标评价方法的步骤。
6.一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中存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-3任一项所述的基于机器学习的工业机器人性能指标评价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010618573.6A CN111832921B (zh) | 2020-06-30 | 2020-06-30 | 基于机器学习的工业机器人性能指标评价设备及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010618573.6A CN111832921B (zh) | 2020-06-30 | 2020-06-30 | 基于机器学习的工业机器人性能指标评价设备及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832921A CN111832921A (zh) | 2020-10-27 |
CN111832921B true CN111832921B (zh) | 2023-09-26 |
Family
ID=72900012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010618573.6A Active CN111832921B (zh) | 2020-06-30 | 2020-06-30 | 基于机器学习的工业机器人性能指标评价设备及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832921B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113219948B (zh) * | 2021-05-06 | 2022-08-26 | 中车青岛四方车辆研究所有限公司 | 基于面向对象的机器人性能评价方法、系统、设备及介质 |
CN113110245B (zh) * | 2021-05-17 | 2022-07-22 | 河南中烟工业有限责任公司 | 机器人的运行状态监测方法 |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4828451A (en) * | 1986-08-07 | 1989-05-09 | Daikin Industries, Ltd. | Industrial robot |
JPH0523982A (ja) * | 1991-07-15 | 1993-02-02 | Hitachi Ltd | ロボツトの制御方法及び装置 |
JPH1177567A (ja) * | 1997-09-09 | 1999-03-23 | Nippon Telegr & Teleph Corp <Ntt> | ロボットマニピュレータの制御方法及び装置 |
JP2003162302A (ja) * | 2001-11-28 | 2003-06-06 | Yaskawa Electric Corp | 予測制御方法 |
KR101013416B1 (ko) * | 2009-08-10 | 2011-02-14 | 강원대학교산학협력단 | 로봇 하드웨어 모듈을 테스트 하기 위한 시스템 및 로봇 하드웨어 모듈을 테스트 하는 방법 |
DE102011118419A1 (de) * | 2011-11-12 | 2013-05-16 | Audi Ag | Verfahren zum Erkennen eines Verschleißzustandes von Elektroden einer Schweißzange |
CN106395051A (zh) * | 2016-10-19 | 2017-02-15 | 石家庄钢铁有限责任公司 | 一种成捆圆钢端面自动贴标系统中贴标机器人的优选方法 |
JP2017215835A (ja) * | 2016-06-01 | 2017-12-07 | 富士ゼロックス株式会社 | ロボット評価装置及びロボット評価プログラム |
CN107464033A (zh) * | 2016-11-14 | 2017-12-12 | 威凯检测技术有限公司 | 基于模糊层次分析的扫地机器人智能特性等级评价方法 |
CN107895227A (zh) * | 2017-11-02 | 2018-04-10 | 上海电力学院 | 一种移动焊接机器人运行方案的综合评价方法 |
CN107992401A (zh) * | 2017-11-29 | 2018-05-04 | 平安科技(深圳)有限公司 | 性能测试评价方法、装置、终端设备及存储介质 |
KR20180076865A (ko) * | 2016-12-28 | 2018-07-06 | 한국생산기술연구원 | 물품 관리 시스템 및 방법 |
EP3396598A2 (en) * | 2018-05-21 | 2018-10-31 | Erle Robotics, S.L. | Method and user interface for managing and controlling power in modular robots and apparatus therefor |
CN108765229A (zh) * | 2018-06-20 | 2018-11-06 | 大国创新智能科技(东莞)有限公司 | 基于大数据与人工智能的学习表现评价方法和机器人系统 |
KR20180131905A (ko) * | 2017-06-01 | 2018-12-11 | 한국전자통신연구원 | 로봇의 소셜 hri 지능 평가 방법 및 장치 |
CN109635498A (zh) * | 2018-12-29 | 2019-04-16 | 中国科学院合肥物质科学研究院 | 一种基于接触交互信息的多足机器人行走稳定性评价方法 |
DE202019103862U1 (de) * | 2019-07-12 | 2019-08-05 | Albert-Ludwigs-Universität Freiburg | Vorrichtung zum Erstellen einer Strategie für einen Roboter |
CN110142803A (zh) * | 2019-05-28 | 2019-08-20 | 上海电力学院 | 一种移动焊接机器人系统工作状态检测方法及装置 |
CN110666840A (zh) * | 2019-10-16 | 2020-01-10 | 金陵科技学院 | 一种工业机器人综合性能指标设计评价方法 |
CN110705849A (zh) * | 2019-09-18 | 2020-01-17 | 南方电网科学研究院有限责任公司 | 巡检机器人的实效评估方法、系统、存储介质及机器人 |
KR20200010061A (ko) * | 2018-07-20 | 2020-01-30 | 삼성전자주식회사 | 전자 장치 및 전자 장치의 학습 방법 |
CN110955241A (zh) * | 2019-11-22 | 2020-04-03 | 深圳市优必选科技股份有限公司 | 移动机器人避障方法、装置、移动机器人及存储介质 |
CN111126822A (zh) * | 2019-12-19 | 2020-05-08 | 佛山科学技术学院 | 一种工业机器人健康评估方法、装置及存储介质 |
CN111325486A (zh) * | 2020-03-31 | 2020-06-23 | 佛山科学技术学院 | 基于层次分析法的教师质量智能评测方法及存储介质 |
US11592789B2 (en) * | 2018-11-09 | 2023-02-28 | Fanuc Corporation | Output device, control device, and method for outputting evaluation functions and machine learning results |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5720398B2 (ja) * | 2011-04-25 | 2015-05-20 | ソニー株式会社 | 評価装置及び評価方法、サービス提供システム、並びにコンピューター・プログラム |
US9933177B2 (en) * | 2014-11-04 | 2018-04-03 | Google Llc | Enhanced automated environmental control system scheduling using a preference function |
US10970428B2 (en) * | 2015-04-01 | 2021-04-06 | Research & Business Foundation Sungkyunkwan University | Method of providing performance indicators of robot hand and method of optimizing structure of robot hand |
CN109070366B (zh) * | 2016-05-16 | 2021-09-28 | 三菱电机株式会社 | 机器人动作评价装置、机器人动作评价方法及机器人系统 |
US11435708B2 (en) * | 2018-08-01 | 2022-09-06 | 3M Innovative Properties Company | Predictive modeling tool for simulating industrial engineering and other applications |
US11839983B2 (en) * | 2018-11-27 | 2023-12-12 | Ocado Innovation Limited | Systems and methods for robotic grasp verification |
KR102281590B1 (ko) * | 2019-07-31 | 2021-07-29 | 엘지전자 주식회사 | 음성인식 성능 향상을 위한 비 지도 가중치 적용 학습 시스템 및 방법, 그리고 기록 매체 |
-
2020
- 2020-06-30 CN CN202010618573.6A patent/CN111832921B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4828451A (en) * | 1986-08-07 | 1989-05-09 | Daikin Industries, Ltd. | Industrial robot |
JPH0523982A (ja) * | 1991-07-15 | 1993-02-02 | Hitachi Ltd | ロボツトの制御方法及び装置 |
JPH1177567A (ja) * | 1997-09-09 | 1999-03-23 | Nippon Telegr & Teleph Corp <Ntt> | ロボットマニピュレータの制御方法及び装置 |
JP2003162302A (ja) * | 2001-11-28 | 2003-06-06 | Yaskawa Electric Corp | 予測制御方法 |
KR101013416B1 (ko) * | 2009-08-10 | 2011-02-14 | 강원대학교산학협력단 | 로봇 하드웨어 모듈을 테스트 하기 위한 시스템 및 로봇 하드웨어 모듈을 테스트 하는 방법 |
DE102011118419A1 (de) * | 2011-11-12 | 2013-05-16 | Audi Ag | Verfahren zum Erkennen eines Verschleißzustandes von Elektroden einer Schweißzange |
JP2017215835A (ja) * | 2016-06-01 | 2017-12-07 | 富士ゼロックス株式会社 | ロボット評価装置及びロボット評価プログラム |
CN106395051A (zh) * | 2016-10-19 | 2017-02-15 | 石家庄钢铁有限责任公司 | 一种成捆圆钢端面自动贴标系统中贴标机器人的优选方法 |
CN107464033A (zh) * | 2016-11-14 | 2017-12-12 | 威凯检测技术有限公司 | 基于模糊层次分析的扫地机器人智能特性等级评价方法 |
KR20180076865A (ko) * | 2016-12-28 | 2018-07-06 | 한국생산기술연구원 | 물품 관리 시스템 및 방법 |
KR20180131905A (ko) * | 2017-06-01 | 2018-12-11 | 한국전자통신연구원 | 로봇의 소셜 hri 지능 평가 방법 및 장치 |
CN107895227A (zh) * | 2017-11-02 | 2018-04-10 | 上海电力学院 | 一种移动焊接机器人运行方案的综合评价方法 |
CN107992401A (zh) * | 2017-11-29 | 2018-05-04 | 平安科技(深圳)有限公司 | 性能测试评价方法、装置、终端设备及存储介质 |
EP3396598A2 (en) * | 2018-05-21 | 2018-10-31 | Erle Robotics, S.L. | Method and user interface for managing and controlling power in modular robots and apparatus therefor |
CN108765229A (zh) * | 2018-06-20 | 2018-11-06 | 大国创新智能科技(东莞)有限公司 | 基于大数据与人工智能的学习表现评价方法和机器人系统 |
KR20200010061A (ko) * | 2018-07-20 | 2020-01-30 | 삼성전자주식회사 | 전자 장치 및 전자 장치의 학습 방법 |
US11592789B2 (en) * | 2018-11-09 | 2023-02-28 | Fanuc Corporation | Output device, control device, and method for outputting evaluation functions and machine learning results |
CN109635498A (zh) * | 2018-12-29 | 2019-04-16 | 中国科学院合肥物质科学研究院 | 一种基于接触交互信息的多足机器人行走稳定性评价方法 |
CN110142803A (zh) * | 2019-05-28 | 2019-08-20 | 上海电力学院 | 一种移动焊接机器人系统工作状态检测方法及装置 |
DE202019103862U1 (de) * | 2019-07-12 | 2019-08-05 | Albert-Ludwigs-Universität Freiburg | Vorrichtung zum Erstellen einer Strategie für einen Roboter |
CN110705849A (zh) * | 2019-09-18 | 2020-01-17 | 南方电网科学研究院有限责任公司 | 巡检机器人的实效评估方法、系统、存储介质及机器人 |
CN110666840A (zh) * | 2019-10-16 | 2020-01-10 | 金陵科技学院 | 一种工业机器人综合性能指标设计评价方法 |
CN110955241A (zh) * | 2019-11-22 | 2020-04-03 | 深圳市优必选科技股份有限公司 | 移动机器人避障方法、装置、移动机器人及存储介质 |
CN111126822A (zh) * | 2019-12-19 | 2020-05-08 | 佛山科学技术学院 | 一种工业机器人健康评估方法、装置及存储介质 |
CN111325486A (zh) * | 2020-03-31 | 2020-06-23 | 佛山科学技术学院 | 基于层次分析法的教师质量智能评测方法及存储介质 |
Non-Patent Citations (4)
Title |
---|
基于公理设计的工业机械手设计方案评价研究;赵鹏飞;;测试技术学报(第06期) * |
基于改进RetinaNet模型的接触网鸟巢检测;刘国文;张彩霞;李斌;杨阳;张文生;;数据采集与处理(第03期) * |
机器人机构设计的运动灵活性评价方法;应明峰;莫晓晖;姜劲;;组合机床与自动化加工技术(第12期) * |
约束式赋权与基于指标得分的权重调整方法研究;乔一帆;方国华;严春华;;数学的实践与认识(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111832921A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832921B (zh) | 基于机器学习的工业机器人性能指标评价设备及方法 | |
CN108918137B (zh) | 基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法 | |
Skočaj et al. | A system for interactive learning in dialogue with a tutor | |
CN108363493B (zh) | 基于脑机接口的用户特征模型建立方法、系统及存储介质 | |
CN112036540B (zh) | 一种基于双种群混合人工蜂群算法的传感器数目优化方法 | |
CN111508568A (zh) | 分子生成方法、装置及计算机可读存储介质和终端设备 | |
CN110569957A (zh) | 一种基于人工蜂群算法的优化方法 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
EP3955174A3 (en) | Method, apparatus and storage medium for training a deep learning framework | |
CN110399279A (zh) | 一种用于非人智能体的智能度量方法 | |
CN114048115A (zh) | 一种信息系统智能化水平评估方法 | |
CN109829550A (zh) | 模型评价方法和装置、模型评价系统及其训练方法和装置 | |
CN113558634A (zh) | 一种数据监测方法、装置、电子设备和存储介质 | |
Dominguez-Catena et al. | Assessing demographic bias transfer from dataset to model: A case study in facial expression recognition | |
CN109063950B (zh) | 一种面向智能配电网可控性的动态时间弯曲关联评估方法 | |
Filipic et al. | A combined machine learning and genetic algorithm approach to controller design | |
CN111660285A (zh) | 多机器人协同控制方法、系统、设备及存储介质 | |
CN107204741B (zh) | 一种确定环境参数的方法和装置 | |
CN113036762B (zh) | 基于ssa算法的多通道电力信号模式的快速识别方法 | |
CN115311526A (zh) | 基于改进的Cycle GAN网络的缺陷样本生成方法和系统 | |
Hoffman et al. | Metrics, metrics, metrics, part 2: universal metrics? | |
Itoh et al. | Towards generation of visual attention map for source code | |
CN118132686B (zh) | 一种面向多业务场景的服务机器人问题匹配方法及系统 | |
KR102418239B1 (ko) | 기술의 지속 가능성을 탐색하기 위한 특허 분석 장치 | |
CN115730475B (zh) | 一种云边端协同的柔性产线机器人学习系统及方法 |
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 |