CN113327298A - 基于图像实例分割和点云pca算法的一种抓取姿态估计方法 - Google Patents

基于图像实例分割和点云pca算法的一种抓取姿态估计方法 Download PDF

Info

Publication number
CN113327298A
CN113327298A CN202110757357.4A CN202110757357A CN113327298A CN 113327298 A CN113327298 A CN 113327298A CN 202110757357 A CN202110757357 A CN 202110757357A CN 113327298 A CN113327298 A CN 113327298A
Authority
CN
China
Prior art keywords
point cloud
image
data
grabbing
pca algorithm
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
CN202110757357.4A
Other languages
English (en)
Other versions
CN113327298B (zh
Inventor
曾鹏飞
胡旭光
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.)
Shenzhen Tuopu Zhizao Technology Co ltd
Original Assignee
Shenzhen Tuopu Zhizao Technology Co ltd
Shenzhen Institute of Artificial Intelligence and Robotics
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 Shenzhen Tuopu Zhizao Technology Co ltd, Shenzhen Institute of Artificial Intelligence and Robotics filed Critical Shenzhen Tuopu Zhizao Technology Co ltd
Priority to CN202110757357.4A priority Critical patent/CN113327298B/zh
Publication of CN113327298A publication Critical patent/CN113327298A/zh
Application granted granted Critical
Publication of CN113327298B publication Critical patent/CN113327298B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose

Landscapes

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

Abstract

本发明公开了基于图像实例分割和点云PCA算法的一种抓取姿态估计方法，包含以下步骤：S1、对被抓取物体图像数据进行采集，得到RGB图和深度图；S2、采用基于Mask R‑CNN的点云分割算法对采集的数据进行分割；S3、对分割后的数据进行点云去噪滤波；S4、通过点云PCA算法对去噪滤波后的数据计算齐次坐标矩阵，获取抓取位姿；此方法具有计算量小，稳定性高，对环境不敏感的特点，可以对空间任意位置摆放的物体进行抓取，抓取准确率大大提升。

Description

基于图像实例分割和点云PCA算法的一种抓取姿态估计方法
技术领域
本发明涉及机械臂无序分拣技术领域，具体是基于图像实例分割和点云PCA算法的一种抓取姿态估计方法。
背景技术
机械臂(含工业机器人、协作机器人等)无序分拣可以应用于各种工业或民用场景，例如自动化生产线，智能药房等。在工业场景下的无序分拣，多采用2D相机，首先建立被抓取物体二维图像模板，通过二维图像模板匹配定位，并将坐标从相机坐标系转到机器人坐标系，获得抓取位姿，机械臂运动到抓取位姿抓取。此种方法优点是稳定可靠，精度较高，但也存在两个缺点：第一是泛化性差，对于每一种被抓物体必须事先建立二维图像模板，第二是抓取姿态是二维的，对在空间任意放置的三维物体无法抓取。
除了采用2D相机进行抓取位姿估计，另外一种常用方式是采用3D深度相机。而采用3D深度相机得到抓取位姿也主要有两类方法：方法一：先建立被抓物体的三维点云模型，通过三维点云模型与环境点云进行点云配准获得抓取位姿，常见点云配准算法为ICP点云配准算法。这种方式相对于2D相机抓取的优点是被抓物体可以在空间任意放置。但与2D相机一样，此种方法也存在泛化性差的缺点，必须事先建立被抓物体的三维点云模型。方法二：构建一姿态估计网络，该姿态估计网络以RGB或深度图作为网络输入，直接输出抓取姿态。此种方法以AGILE grasp和Google的Arm Farm为代表。此种方法的优点是比较直接，泛化性强，但也存在不够稳定，抓取准确率低的情况，而且计算量大，不易部署于实时系统中。
发明内容
本发明的目的在于提供基于图像实例分割和点云PCA算法的一种抓取姿态估计方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
基于图像实例分割和点云PCA算法的一种抓取姿态估计方法，其特征在于，包含以下步骤：
S1、对被抓取物体图像数据进行采集，得到RGB图和深度图；
S2、采用基于Mask R-CNN的点云分割算法对采集的数据进行分割；
S3、对分割后的数据进行点云去噪滤波；
S4、基于PCA算法，对去噪滤波后的点云数据计算齐次坐标矩阵，获取抓取位姿。
作为本发明进一步的方案，步骤S2包括步骤：
S21、对图像数据输出的RGB图进行分割形成掩码图；
S22、将掩码图和图像数据中的深度图进行合成，形成分割后的点云数据。
作为本发明再进一步的方案，合成算式为：
Figure BDA0003148280110000021
其中xp，yp，zp为点云的坐标，s为深度图的尺度因子，u，v为与掩码图对应的像素坐标，cx，cy，fx，fy为相机内参参数。
作为本发明再进一步的方案，步骤S3包括步骤：
S31、对分割后的点云数据进行点云降采样；
S32、对点云降采样后的数据进行聚类；
S33、对聚类后的点云数据进行选择，找出点云数最大的聚类作为去噪后的点云数据。
作为本发明再进一步的方案，步骤S4包括步骤：
S41、计算去噪后的点云中心点C；
S42、根据PCA算法对点云分析得到最大的方差方向，根据所述最大方差方向建立x、y和z轴；
S43、联立所述x、y和z轴建立旋转矩阵，联立所述旋转矩阵和所述中心点C建立抓取位姿的齐次坐标矩阵。
与现有技术相比，本发明的有益效果是：
本抓取算法有以下优点：
(1)相较于采用2D相机，被抓物体可以在空间任意放置；
(2)泛化性好，即便某个物体未抓取过，只要外形与已有物体类似，也可以抓取；
(3)稳定性高，准确率高，对环境不敏感，相较于AGILE grasp等端到端的方法，本文所用方法的各步骤意义明确，网络引入的不确定性较低；
(4)计算量小，有的方法利用RGB图分割点云后，会后续再接位姿估计网络，而本文不用位姿估计网络，仅仅基于PCA算法便实现了物体坐标系的建立，计算得到抓取位姿，既提高了稳定性，也减小了计算量。
附图说明
图1为基于图像实例分割和点云PCA算法的一种抓取姿态估计方法的流程示意图。
图2为基于图像实例分割和点云PCA算法的一种抓取姿态估计方法中基于Mask R-CNN的点云分割算法的详细步骤流程图。
图3为基于图像实例分割和点云PCA算法的一种抓取姿态估计方法中点云去噪滤波的详细步骤流程图。
图4为基于图像实例分割和点云PCA算法的一种抓取姿态估计方法中基于点云PCA算法计算位姿矩阵的详细步骤流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
如图1-4所示，基于图像实例分割和点云PCA算法的一种抓取姿态估计方法，包含以下步骤：
S1、对被抓取物体图像数据进行采集，得到RGB图和深度图；
S2、采用基于Mask R-CNN的点云分割算法对采集的数据进行分割；
S3、对分割后的数据进行点云去噪滤波；
S4、基于点云PCA算法，对去噪滤波后的点云数据计算位姿矩阵，获取抓取位姿。
本申请通过将3D深度相机安装与机械臂的末端或者固定与机械臂之外，并且假设“手眼标定”已正确完成，对“手眼标定”相关内容可参考类似实验操作，本文不再赘述。
首先对3D深度相机的RGB图像进行实例分割(instance segmentation)，实例分割(instancesegmentation)得到掩码图，掩码图和深度图合成点云数据；接着对点云进行降噪滤波；最后对滤波后的点云进行PCA处理得到z轴，并基于此建立被抓物体的齐次坐标矩阵，得到物体的局部坐标系，即可获得机械臂抓取姿态矩阵。
进一步的，如图2所示，步骤S2包括步骤：
S21、对图像数据输出的RGB图进行分割形成掩码图；
S22、将掩码图和图像数据中的深度图进行合成形成分割后的点云数据。
进一步的，合成算式为：
Figure BDA0003148280110000041
其中xp，yp，zp为点云的坐标，s为深度图的尺度因子，u，v为与掩码图对应的像素坐标，cx，cy，fx，fy为相机内参参数。
具体的，利用合成算式对图像数据输出的掩码图和深度图进行合成运算，得到分割处理后的点云数据，进行下一步运算。
进一步的，如图3所示，步骤S3包括步骤：
S31、对分割后的点云数据进行点云降采样；
S32、对点云降采样后的数据进行聚类；
S33、对聚类后的点云数据进行选择，找出点云数最大的聚类作为去噪后的点云数据。
具体的，分割处理后的点云数据中存在较多的噪点，该类数据会影响最终抓取姿态的计算，首先对点云数据进行点云降采样，随后利用点云降采样后的数据通过聚类运算形成聚类点云数据，聚类点云数据中点云数最大的作为去噪处理的点云数据，以达到降低噪点目的。
进一步的，如图4所示，步骤S4包括步骤：
S41、计算点云的中心点C；
S42、根据PCA算法对去噪后点云数据分析得到最大的方差方向，根据所述最大方差方向建立x、y和z轴；
其中，对点云进行PCA算法分析得到最大的方差方向，取该方向为z轴，将OC向量(O为坐标原点)在z轴的垂直面做投影得到一向量，将该向量单位化并取为x轴方向，将z轴和x轴叉乘即可得到y轴。
S43、联立所述x、y和z轴建立旋转矩阵，联立所述旋转矩阵和所述中心点C建立抓取位姿的齐次坐标矩阵。
具体的，利用点云PCA算法对去噪后的点云数据进行运算，先后算出中心点C、x、y和z轴，联立得到抓取位姿的齐次坐标矩阵，机械臂利用该齐次坐标矩阵对物体进行抓取操作。
本发明提供了一种机械臂无序分拣的抓取位姿估计新方法，采用3D深度相机，安装于机械臂末端或者固定安装在机械臂之外，并假设“手眼标定”已正确完成，对“手眼标定”相关内容本文不再赘述。首先对RGB图像进行实例分割，实例分割得到掩码图，掩码图和深度图合成点云；接着对点云进行降噪滤波；最后对滤波后的点云进行PCA处理得到z轴，并基于此建立被抓物体的齐次坐标矩阵，得到物体的局部坐标系。即可获得机械臂抓取姿态，从而实现对物体的高效精准抓取操作。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (5)

1.基于图像实例分割和点云PCA算法的一种抓取姿态估计方法，其特征在于，包含以下步骤：
S1、对被抓取物体图像数据进行采集，得到RGB图和深度图；
S2、采用基于Mask R-CNN的点云分割算法对采集的数据进行分割；
S3、对分割后的数据进行点云去噪滤波；
S4、基于PCA算法，对去噪滤波后的点云数据计算齐次坐标矩阵，获取抓取位姿。
2.根据权利要求1所述的基于图像实例分割和点云PCA算法的一种抓取姿态估计方法，其特征在于，步骤S2包括步骤：
S21、对图像数据输出的RGB图进行分割形成掩码图；
S22、将掩码图和图像数据中的深度图进行合成，形成分割后的点云数据。
3.根据权利要求2所述的基于图像实例分割和点云PCA算法的一种抓取姿态估计方法，其特征在于，合成算式为：
Figure FDA0003148280100000011
其中xp，yp，zp为点云的坐标，s为深度图的尺度因子，u，v为与掩码图对应的像素坐标，cx，cy，fx，fy为相机内参参数。
4.根据权利要求1所述的基于图像实例分割和点云PCA算法的一种抓取姿态估计方法，其特征在于，步骤S3包括步骤：
S31、对分割后的点云数据进行点云降采样；
S32、对点云降采样后的数据进行聚类；
S33、对聚类后的点云数据进行选择，找出点云数最大的聚类作为去噪后的点云数据。
5.根据权利要求1所述的基于图像实例分割和点云PCA算法的一种抓取姿态估计方法，其特征在于，步骤S4包括步骤：
S41、计算去噪后的点云中心点C；
S42、根据PCA算法对去噪后点云数据分析得到最大的方差方向，根据所述最大方差方向建立x、y和z轴；
S43、联立所述x、y和z轴建立旋转矩阵，联立所述旋转矩阵和所述中心点C建立抓取位姿的齐次坐标矩阵。
CN202110757357.4A 2021-07-05 2021-07-05 基于图像实例分割和点云pca算法的一种抓取姿态估计方法 Active CN113327298B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110757357.4A CN113327298B (zh) 2021-07-05 2021-07-05 基于图像实例分割和点云pca算法的一种抓取姿态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110757357.4A CN113327298B (zh) 2021-07-05 2021-07-05 基于图像实例分割和点云pca算法的一种抓取姿态估计方法

Publications (2)

Publication Number Publication Date
CN113327298A true CN113327298A (zh) 2021-08-31
CN113327298B CN113327298B (zh) 2024-05-28

Family

ID=77425634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110757357.4A Active CN113327298B (zh) 2021-07-05 2021-07-05 基于图像实例分割和点云pca算法的一种抓取姿态估计方法

Country Status (1)

Country Link
CN (1) CN113327298B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114454168A (zh) * 2022-02-14 2022-05-10 赛那德数字技术(上海)有限公司 一种动态视觉机械臂抓取方法、系统及电子设备
CN114986515A (zh) * 2022-07-04 2022-09-02 中国科学院沈阳自动化研究所 一种位姿解耦的绝缘子更换机器人动态装配方法
CN115147491A (zh) * 2022-09-02 2022-10-04 山东西曼克技术有限公司 用于agv小车的搬运目标位姿信息估计方法
CN116188883A (zh) * 2023-04-28 2023-05-30 中国科学技术大学 一种抓握位置分析方法及终端

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109048918A (zh) * 2018-09-25 2018-12-21 华南理工大学 一种轮椅机械臂机器人的视觉引导方法
CN110310362A (zh) * 2019-06-24 2019-10-08 中国科学院自动化研究所 基于深度图及imu的高动态场景三维重建方法、系统
CN112270249A (zh) * 2020-10-26 2021-01-26 湖南大学 一种融合rgb-d视觉特征的目标位姿估计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109048918A (zh) * 2018-09-25 2018-12-21 华南理工大学 一种轮椅机械臂机器人的视觉引导方法
CN110310362A (zh) * 2019-06-24 2019-10-08 中国科学院自动化研究所 基于深度图及imu的高动态场景三维重建方法、系统
CN112270249A (zh) * 2020-10-26 2021-01-26 湖南大学 一种融合rgb-d视觉特征的目标位姿估计方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114454168A (zh) * 2022-02-14 2022-05-10 赛那德数字技术(上海)有限公司 一种动态视觉机械臂抓取方法、系统及电子设备
CN114454168B (zh) * 2022-02-14 2024-03-22 赛那德数字技术(上海)有限公司 一种动态视觉机械臂抓取方法、系统及电子设备
CN114986515A (zh) * 2022-07-04 2022-09-02 中国科学院沈阳自动化研究所 一种位姿解耦的绝缘子更换机器人动态装配方法
CN115147491A (zh) * 2022-09-02 2022-10-04 山东西曼克技术有限公司 用于agv小车的搬运目标位姿信息估计方法
CN116188883A (zh) * 2023-04-28 2023-05-30 中国科学技术大学 一种抓握位置分析方法及终端
CN116188883B (zh) * 2023-04-28 2023-08-29 中国科学技术大学 一种抓握位置分析方法及终端

Also Published As

Publication number Publication date
CN113327298B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
CN113327298B (zh) 基于图像实例分割和点云pca算法的一种抓取姿态估计方法
US11373332B2 (en) Point-based object localization from images
CN111080693A (zh) 一种基于YOLOv3的机器人自主分类抓取方法
CN108656107B (zh) 一种基于图像处理的机械臂抓取系统及方法
WO2019105044A1 (zh) 一种镜头畸变矫正和特征提取的方法及系统
CN111553949B (zh) 基于单帧rgb-d图像深度学习对不规则工件的定位抓取方法
CN108648215B (zh) 基于imu的slam运动模糊位姿跟踪算法
CN110176032B (zh) 一种三维重建方法及装置
WO2022178952A1 (zh) 一种基于注意力机制和霍夫投票的目标位姿估计方法及系统
WO2022033076A1 (zh) 目标检测方法、装置、设备、存储介质及程序产品
CN107705322A (zh) 运动目标识别跟踪方法和系统
WO2015006224A1 (en) Real-time 3d computer vision processing engine for object recognition, reconstruction, and analysis
CN100369064C (zh) 一种基于视频内容的人体姿态变形方法
CN108648216B (zh) 一种基于光流与深度学习的视觉里程计实现方法和系统
CN110599522B (zh) 一种视频序列中动态目标检测剔除方法
CN111476841A (zh) 一种基于点云和图像的识别定位方法及系统
CN109708658B (zh) 一种基于卷积神经网络的视觉里程计方法
WO2023226654A1 (zh) 一种目标物单体化方法、装置、设备及存储介质
CN111860651A (zh) 一种基于单目视觉的移动机器人半稠密地图构建方法
CN114882109A (zh) 一种面向遮挡、杂乱场景下的机器人抓取检测方法及系统
CN113888639A (zh) 基于事件相机与深度相机的视觉里程计定位方法及系统
CN114494150A (zh) 一种基于半直接法的单目视觉里程计的设计方法
TW202217755A (zh) 視覺定位方法、設備和電腦可讀儲存介質
CN111127556B (zh) 基于3d视觉的目标物体识别和位姿估算方法以及装置
CN109636897B (zh) 一种基于改进RGB-D SLAM的Octomap优化方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220913

Address after: 518000 902-9a, building 2, Xinghe worldg, No. 1, Yabao Road, Nankeng community, Bantian street, Longgang District, Shenzhen, Guangdong

Applicant after: Shenzhen Tuopu Zhizao Technology Co.,Ltd.

Address before: 518000 902-9a, building 2, Xinghe worldg, No. 1, Yabao Road, Nankeng community, Bantian street, Longgang District, Shenzhen, Guangdong

Applicant before: Shenzhen Tuopu Zhizao Technology Co.,Ltd.

Applicant before: Shenzhen Institute of artificial intelligence and Robotics

CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zeng Pengfei

Inventor after: Xia Yongzhong

Inventor before: Zeng Pengfei

Inventor before: Hu Xuguang

GR01 Patent grant