CN114310954A - 一种护理机器人自适应升降控制方法和系统 - Google Patents
一种护理机器人自适应升降控制方法和系统 Download PDFInfo
- Publication number
- CN114310954A CN114310954A CN202111670349.2A CN202111670349A CN114310954A CN 114310954 A CN114310954 A CN 114310954A CN 202111670349 A CN202111670349 A CN 202111670349A CN 114310954 A CN114310954 A CN 114310954A
- Authority
- CN
- China
- Prior art keywords
- height
- nursing robot
- operated
- robot
- nursing
- 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
Links
- 230000000474 nursing effect Effects 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000009466 transformation Effects 0.000 claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 35
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 12
- 230000033001 locomotion Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Abstract
本发明涉及一种本发明提供的护理机器人自适应升降控制方法和系统。本发明基于机器视觉能自动识别并获取待操作物体的位置(高度)，实时求解并调整机器人的高度而无需其他改动即可适应不同的需求。同时，本发明通过采用高度检测模型基于待操作物体相对于护理机器人的本体坐标系的位姿变换关系对目标高度进行确定，能够实现机器人升降高度的精确控制，实现对身高的自适应控制和调节，进而解决现有技术中存在的护理机器人升降调节操作复杂、鲁棒性差等问题。
Description
技术领域
本发明涉及机器人控制技术领域，特别是涉及一种护理机器人自适应升降控制方法和系统。
背景技术
人口老龄化的背景下，护理机器人技术的研究和发展具有其现实意义。在面对复杂的护理场景和多种类操作对象时，如何调整护理机器人的姿态(高度)，使机械臂能在其工作空间内顺利完成规划的任务成为关键问题。目前的升降机构及其解决方法大多基于人工控制机器人的升降，这样不仅操作复杂而且鲁棒性也较差。
发明内容
本发明的目的是提供一种护理机器人自适应升降控制方法和系统，能够实现机器人升降高度的自动精确控制，进而解决现有技术中存在的护理机器人升降调节操作复杂、鲁棒性差等问题。
为实现上述目的，本发明提供了如下方案：
一种护理机器人自适应升降控制方法，包括：
获取待操作物体的图像和当前状态下所述护理机器人的高度；
根据所述待操作物体的图像和所述当前状态下所述护理机器人的高度确定所述待操作物体相对于护理机器人的本体坐标系的位姿变换关系；
获取高度检测模型，并将所述位姿变换关系输入至所述高度检测模型中得到目标高度；所述高度检测模型为训练好的神经网络模型；
根据所述目标高度和当前状态下所述护理机器人的高度确定高度差；
根据所述高度差控制所述护理机器人进行升降。
优选地，所述根据所述待操作物体的图像和所述当前状态下所述护理机器人的高度确定所述待操作物体相对于护理机器人的本体坐标系的位姿变换关系，具体包括：
根据所述待操作物体的图像识别所述待操作物体相对于护理机器人相机的位姿；
根据所述待操作物体相对于护理机器人相机的位姿和所述所述当前状态下所述护理机器人的高度确定所述待操作物体相对于护理机器人的本体坐标系的位姿变换关系。
优选地，采用电子尺获取当前状态下所述护理机器人的高度。
优选地，所述获取高度检测模型，之前还包括：
获取训练样本对；所述训练样本对包括：样本物体相对于护理机器人的本体坐标系的位姿变换关系，以及标定好的、与样本物体相对于护理机器人的本体坐标系的位姿变换关系对应的目标高度；
采用所述训练样本对训练所述神经网络模型，得到所述高度检测模型。
优选地，还包括：
采用Adaboost级联分类方法基于待操作物体的图像识别待操作物体的类型；
根据所述类型生成物体标签；
根据所述物体标签控制所述护理机器人完成所述待操作物的取放。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的护理机器人自适应升降控制方法，基于机器视觉能自动识别并获取待操作物体的位置(高度)，实时求解并调整机器人的高度而无需其他改动即可适应不同的需求。同时，本发明通过采用高度检测模型基于待操作物体相对于护理机器人的本体坐标系的位姿变换关系对目标高度进行确定，能够实现机器人升降高度的精确控制，实现对身高的自适应控制和调节，进而解决现有技术中存在的护理机器人升降调节操作复杂、鲁棒性差等问题。
对应于上述提供的护理机器人自适应升降控制方法，本发明还提供了一种护理机器人自适应升降控制系统，该系统包括：
图像-高度获取模块，用于获取待操作物体的图像和当前状态下所述护理机器人的高度；
位姿变换关系确定模块，用于根据所述待操作物体的图像和所述当前状态下所述护理机器人的高度确定所述待操作物体相对于护理机器人的本体坐标系的位姿变换关系；
目标高度确定模块，用于获取高度检测模型，并将所述位姿变换关系输入至所述高度检测模型中得到目标高度；所述高度检测模型为训练好的神经网络模型；
高度差确定模块，用于根据所述目标高度和当前状态下所述护理机器人的高度确定高度差；
升降控制模块，用于根据所述高度差控制所述护理机器人进行升降。
优选地，所述位姿变换关系确定模块包括：
位姿确定单元，用于根据所述待操作物体的图像识别所述待操作物体相对于护理机器人相机的位姿；
位姿变换关系确定单元，用于根据所述待操作物体相对于护理机器人相机的位姿和所述所述当前状态下所述护理机器人的高度确定所述待操作物体相对于护理机器人的本体坐标系的位姿变换关系。
优选地，所述图像-高度获取模块，包括：
高度获取单元，用于采用电子尺获取当前状态下所述护理机器人的高度。
优选地，还包括：
训练样本对获取模块，用于获取训练样本对；所述训练样本对包括：样本物体相对于护理机器人的本体坐标系的位姿变换关系，以及标定好的、与样本物体相对于护理机器人的本体坐标系的位姿变换关系对应的目标高度；
训练模块，用于采用所述训练样本对训练所述神经网络模型，得到所述高度检测模型。
优选地，还包括：
物体类型识别模块，用于采用Adaboost级联分类方法基于待操作物体的图像识别待操作物体的类型；
标签生成模块，用于根据所述类型生成物体标签；
取放控制模块，用于根据所述物体标签控制所述护理机器人完成所述待操作物的取放。
因本发明提供的护理机器人自适应升降控制系统实现的技术效果与上述提供的护理机器人自适应升降控制方法实现的技术效果相同，故在此不再进行赘述。
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为本发明提供的护理机器人自适应升降控制方法的流程图；
图2为本发明实施例提供的检测网络模型的结构示意图；
图3为本发明提供的护理机器人自适应升降控制系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的目的是提供一种护理机器人自适应升降控制方法和系统，能够实现机器人升降高度的自动精确控制，进而解决现有技术中存在的护理机器人升降调节操作复杂、鲁棒性差等问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的一种护理机器人自适应升降控制方法，包括：
步骤100：获取待操作物体的图像和当前状态下护理机器人的高度。在具体实施过程中，可以采用护理机器人本体相机(例如，选用深度相机)实时采集护理机器人待操作物体的彩色图像后，根据图像快速准确识别出标签并计算出其相对于相机的位姿。识别部分主要分为两大方面，一是离线训练，二是在线检测。前者主要是针对非海量样本的特定类别物体分类器训练，后者将深度图像与彩色图像相结合设计了模型检测的具体算法流程。识别方法主要基于Adaboost级联分类法。Adaboost是一种加和模型(输入是深度图像和彩色图像，输出是目标类别及目标在图像坐标系中的坐标，通过计算其中心深度得到目标在相机坐标系中的三维位置)，每个模型都是基于上一次模型的错误率来建立的，过分关注分错的样本，而对正确分类的样本减少关注度，逐次迭代之后，可以得到一个相对较好的模型。定位部分针对深度摄像机模型推导出具体的转换坐标。其中，所采用的检测网络的结构如图2所示。
利用电子尺测得相机坐标系距离护理机器人本体坐标系的高度(即当前状态下护理机器人的高度)，电子尺基本原理是将位移量转换为电信号。
步骤101：根据待操作物体的图像和当前状态下护理机器人的高度确定待操作物体相对于护理机器人的本体坐标系的位姿变换关系。在具体操作过程中，该步骤的实施方式可以是：利用步骤100得到的机器人本体-相机位姿变换关系标定结果记为T_bc，这里的位姿变换关系即为当前状态下护理机器人的高度信息，因为相机坐标系相对于机器人本体坐标系来说，只有高度发生了变化，也就是z轴方向上产生了平移h。而x，y轴没有发生平移。x，y，z三个轴的角度也并未发生旋转。并结合实时测得的待操作物体相对于相机的位姿，记为T_ck，可以得到当前状态下待操作物体相对于机器人本体坐标系的位姿变换关系，记为T_bk。其中，T_bk＝T_bc*T_ck。
步骤102：获取高度检测模型，并将位姿变换关系输入至高度检测模型中得到目标高度。高度检测模型为训练好的神经网络模型。在对神经网络模型进行训练的过程中，需要设置满足精确度要求的训练样本对。例如，设计多组机械臂抓取仿真实验作为数据，具体的，将护理机器人调整到不同的高度，并尝试抓取放置在各不同位置的待操作物体。目的是获取到最适合机械臂抓取的机器人高度，使得在该高度下的机械臂工作空间中，可以使机械臂运动时间最短，且运动轨迹最为平滑。
使用一个由深度网络组成的两步级联系统进行训练样本对的构建，第1步、用于选择一组包含目标物体的候选抓取区域。第2步、在第1步的基础上在候选区域上进行检测并获取最优抓取框。然后，为机械臂从初始点到目标点规划一条合理的路径，并获取该路径的机械臂运动时间。这里采用Move It！工具包和运动学库OMPL(Open Motion Plan Library)实现护理机器人的运动规划。
通过从机械臂抓取仿真实验数据中可以得到待操作物体相对于机器人本体坐标系的位姿变换与护理机器人最佳工作高度的关系。例如，实验数据中包含物体在某一位姿(T)，机器人在任一高度(H)时，机器人抓取该物体的轨迹与时间，需要确定的是使轨迹最优，时间最短的高度h，即为最优高度。采用深度学习的方法，将物体位姿T作为输入层，最优高度h作为输出层，放入一个两层神经网络进行离线训练，在第2个隐含层的顶部为一个逻辑分类器，用于预测。便可得到物体位姿与工作高度的函数，即h＝f(T)。在护理机器人实际工作时，就会将前面步骤检测到的物体位姿放入该函数，就可以得到目标高度。即在什么高度下，机械臂运动时间最短，且运动轨迹最为平滑，该高度就是最适合当前机器人操作该物体的目标高度，进而得到训练样本。
步骤103：根据目标高度和当前状态下护理机器人的高度确定高度差。这一高度差即为护理机器人完成护理任务时需要调整的高度差值。
步骤104：根据高度差控制护理机器人进行升降。在实施过程中，可以是控制中心将得到的调整高度值传入护理机器人的闭环控制系统，通过底层控制器控制驱动器带动电机和丝杆旋转，同时电子尺实时读取当前状态的护理机器人高度，最终控制护理机器人的高度达到目标高度。机器人高度满足工作需求后，机械臂开始执行操作，完成实际护理任务。
进一步，为了防止护理机器人在进行操作时损坏物体，本发明提供的上述护理机器人自适应升降控制方法还包括：
采用Adaboost级联分类方法基于待操作物体的图像识别待操作物体的类型。
根据类型生成物体标签。
根据物体标签控制护理机器人完成待操作物的取放。
基于物体类别的识别控制护理机器人的取放动作，能够控制护理机器人抓取物体的力度，实现任务的有效护理。
基于上述描述，本发明提供的护理机器人自适应升降控制方法是一种机械化、自动化和智能化的护理机器人的重要组成部分，也是完成护理任务的重要执行部分。本方法的优点在于采用的视觉伺服方法能自动识别并获取待操作物体的位置，实时求解并调整机器人的高度而无需其他改动即可适应不同的需求。同时，通过大量机器人抓取仿真实验可以使机器人自动得到最佳操作高度，精确的高度控制可以使后续机械臂执行任务稳定，快速。
对应于上述提供的护理机器人自适应升降控制方法，本发明还提供了一种护理机器人自适应升降控制系统，如图3所示，该系统包括：图像-高度获取模块300、位姿变换关系确定模块301、目标高度确定模块302、高度差确定模块303和升降控制模块304。
图像-高度获取模块300用于获取待操作物体的图像和当前状态下护理机器人的高度。
位姿变换关系确定模块301用于根据待操作物体的图像和当前状态下护理机器人的高度确定待操作物体相对于护理机器人的本体坐标系的位姿变换关系。
目标高度确定模块302用于获取高度检测模型，并将位姿变换关系输入至高度检测模型中得到目标高度。高度检测模型为训练好的神经网络模型。
高度差确定模块303用于根据目标高度和当前状态下护理机器人的高度确定高度差。
升降控制模块304用于根据高度差控制护理机器人进行升降。
为了进一步提高位姿变换关系的确定精确性，本发明上述采用的位姿变换关系确定模块301还可以设置有：位姿确定单元和位姿变换关系确定单元。
其中，位姿确定单元用于根据待操作物体的图像识别待操作物体相对于护理机器人相机的位姿。
位姿变换关系确定单元用于根据待操作物体相对于护理机器人相机的位姿和当前状态下护理机器人的高度确定待操作物体相对于护理机器人的本体坐标系的位姿变换关系。
为了能够将车辆得到的高度数据实时转换为电信号，本发明上述提供的图像-高度获取模块100中还设置有包括：高度获取单元，以用于采用电子尺获取当前状态下护理机器人的高度。
进一步，为了提高目标高度检测的精确性，本发明上述提供的护理机器人自适应升降控制系统还设置有：训练样本对获取模块和训练模块。
其中，训练样本对获取模块用于获取训练样本对。训练样本对包括：样本物体相对于护理机器人的本体坐标系的位姿变换关系，以及标定好的、与样本物体相对于护理机器人的本体坐标系的位姿变换关系对应的目标高度。
训练模块用于采用训练样本对训练神经网络模型，得到高度检测模型。
为了防止在护理过程中损坏物体，本发明上述提供的护理机器人自适应升降控制系统还设置有：物体类型识别模块、标签生成模块和取放控制模块。
其中，物体类型识别模块用于采用Adaboost级联分类方法基于待操作物体的图像识别待操作物体的类型。
标签生成模块用于根据类型生成物体标签。
取放控制模块用于根据物体标签控制护理机器人完成待操作物的取放。
本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。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种护理机器人自适应升降控制方法，其特征在于，包括：
获取待操作物体的图像和当前状态下所述护理机器人的高度；
根据所述待操作物体的图像和所述当前状态下所述护理机器人的高度确定所述待操作物体相对于护理机器人的本体坐标系的位姿变换关系；
获取高度检测模型，并将所述位姿变换关系输入至所述高度检测模型中得到目标高度；所述高度检测模型为训练好的神经网络模型；
根据所述目标高度和当前状态下所述护理机器人的高度确定高度差；
根据所述高度差控制所述护理机器人进行升降。
2.根据权利要求1所述的护理机器人自适应升降控制方法，其特征在于，所述根据所述待操作物体的图像和所述当前状态下所述护理机器人的高度确定所述待操作物体相对于护理机器人的本体坐标系的位姿变换关系，具体包括：
根据所述待操作物体的图像识别所述待操作物体相对于护理机器人相机的位姿；
根据所述待操作物体相对于护理机器人相机的位姿和所述所述当前状态下所述护理机器人的高度确定所述待操作物体相对于护理机器人的本体坐标系的位姿变换关系。
3.根据权利要求1所述的护理机器人自适应升降控制方法，其特征在于，采用电子尺获取当前状态下所述护理机器人的高度。
4.根据权利要求1所述的护理机器人自适应升降控制方法，其特征在于，所述获取高度检测模型，之前还包括：
获取训练样本对；所述训练样本对包括：样本物体相对于护理机器人的本体坐标系的位姿变换关系，以及标定好的、与样本物体相对于护理机器人的本体坐标系的位姿变换关系对应的目标高度；
采用所述训练样本对训练所述神经网络模型，得到所述高度检测模型。
5.根据权利要求1所述的护理机器人自适应升降控制方法，其特征在于，还包括：
采用Adaboost级联分类方法基于待操作物体的图像识别待操作物体的类型；
根据所述类型生成物体标签；
根据所述物体标签控制所述护理机器人完成所述待操作物的取放。
6.一种护理机器人自适应升降控制系统，其特征在于，包括：
图像-高度获取模块，用于获取待操作物体的图像和当前状态下所述护理机器人的高度；
位姿变换关系确定模块，用于根据所述待操作物体的图像和所述当前状态下所述护理机器人的高度确定所述待操作物体相对于护理机器人的本体坐标系的位姿变换关系；
目标高度确定模块，用于获取高度检测模型，并将所述位姿变换关系输入至所述高度检测模型中得到目标高度；所述高度检测模型为训练好的神经网络模型；
高度差确定模块，用于根据所述目标高度和当前状态下所述护理机器人的高度确定高度差；
升降控制模块，用于根据所述高度差控制所述护理机器人进行升降。
7.根据权利要求6所述的护理机器人自适应升降控制系统，其特征在于，所述位姿变换关系确定模块包括：
位姿确定单元，用于根据所述待操作物体的图像识别所述待操作物体相对于护理机器人相机的位姿；
位姿变换关系确定单元，用于根据所述待操作物体相对于护理机器人相机的位姿和所述所述当前状态下所述护理机器人的高度确定所述待操作物体相对于护理机器人的本体坐标系的位姿变换关系。
8.根据权利要求6所述的护理机器人自适应升降控制系统，其特征在于，所述图像-高度获取模块，包括：
高度获取单元，用于采用电子尺获取当前状态下所述护理机器人的高度。
9.根据权利要求6所述的护理机器人自适应升降控制系统，其特征在于，还包括：
训练样本对获取模块，用于获取训练样本对；所述训练样本对包括：样本物体相对于护理机器人的本体坐标系的位姿变换关系，以及标定好的、与样本物体相对于护理机器人的本体坐标系的位姿变换关系对应的目标高度；
训练模块，用于采用所述训练样本对训练所述神经网络模型，得到所述高度检测模型。
10.根据权利要求6所述的护理机器人自适应升降控制系统，其特征在于，还包括：
物体类型识别模块，用于采用Adaboost级联分类方法基于待操作物体的图像识别待操作物体的类型；
标签生成模块，用于根据所述类型生成物体标签；
取放控制模块，用于根据所述物体标签控制所述护理机器人完成所述待操作物的取放。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111670349.2A CN114310954B (zh) | 2021-12-31 | 2021-12-31 | 一种护理机器人自适应升降控制方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111670349.2A CN114310954B (zh) | 2021-12-31 | 2021-12-31 | 一种护理机器人自适应升降控制方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114310954A true CN114310954A (zh) | 2022-04-12 |
| CN114310954B CN114310954B (zh) | 2024-04-16 |
Family
ID=81021489
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111670349.2A Active CN114310954B (zh) | 2021-12-31 | 2021-12-31 | 一种护理机器人自适应升降控制方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114310954B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115944518A (zh) * | 2023-02-13 | 2023-04-11 | 天津尼瑞艾特测控技术有限公司 | 一种背部按摩机械手、智能背部按摩机器人及其按摩方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019148453A1 (zh) * | 2018-02-02 | 2019-08-08 | 深圳蓝胖子机器人有限公司 | 目标识别模型训练方法、目标识别方法、设备及机器人 |
| CN111738261A (zh) * | 2020-06-30 | 2020-10-02 | 张辉 | 基于位姿估计和校正的单图像机器人无序目标抓取方法 |
| WO2020228217A1 (zh) * | 2019-05-13 | 2020-11-19 | 河北工业大学 | 移乘搬运护理机器人的人体姿态视觉识别方法、存储介质及电子装置 |
| US20210272681A1 (en) * | 2019-04-10 | 2021-09-02 | Tencent Technology (Shenzhen) Company Limited | Image recognition model training method and apparatus, and image recognition method, apparatus, and system |
| CN113370217A (zh) * | 2021-06-29 | 2021-09-10 | 华南理工大学 | 基于深度学习的物体姿态识别和抓取的智能机器人的方法 |
| WO2021184619A1 (zh) * | 2020-03-19 | 2021-09-23 | 南京未艾信息科技有限公司 | 一种人体运动姿态识别评价方法及其系统 |
-
2021
- 2021-12-31 CN CN202111670349.2A patent/CN114310954B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019148453A1 (zh) * | 2018-02-02 | 2019-08-08 | 深圳蓝胖子机器人有限公司 | 目标识别模型训练方法、目标识别方法、设备及机器人 |
| US20210272681A1 (en) * | 2019-04-10 | 2021-09-02 | Tencent Technology (Shenzhen) Company Limited | Image recognition model training method and apparatus, and image recognition method, apparatus, and system |
| WO2020228217A1 (zh) * | 2019-05-13 | 2020-11-19 | 河北工业大学 | 移乘搬运护理机器人的人体姿态视觉识别方法、存储介质及电子装置 |
| WO2021184619A1 (zh) * | 2020-03-19 | 2021-09-23 | 南京未艾信息科技有限公司 | 一种人体运动姿态识别评价方法及其系统 |
| CN111738261A (zh) * | 2020-06-30 | 2020-10-02 | 张辉 | 基于位姿估计和校正的单图像机器人无序目标抓取方法 |
| CN113370217A (zh) * | 2021-06-29 | 2021-09-10 | 华南理工大学 | 基于深度学习的物体姿态识别和抓取的智能机器人的方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115944518A (zh) * | 2023-02-13 | 2023-04-11 | 天津尼瑞艾特测控技术有限公司 | 一种背部按摩机械手、智能背部按摩机器人及其按摩方法 |
| CN115944518B (zh) * | 2023-02-13 | 2023-06-09 | 天津尼瑞艾特测控技术有限公司 | 一种背部按摩机械手、智能背部按摩机器人及其轨迹确定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114310954B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Compare contact model-based control and contact model-free learning: A survey of robotic peg-in-hole assembly strategies | |
| CN110039542B (zh) | 具有速度方向控制的视觉伺服跟踪控制方法及机器人系统 | |
| CN109483534B (zh) | 一种物体抓取方法、装置和系统 | |
| CN104589354A (zh) | 机器人控制装置、机器人系统以及机器人 | |
| Lanini et al. | Human intention detection as a multiclass classification problem: Application in physical human–robot interaction while walking | |
| Rambow et al. | Autonomous manipulation of deformable objects based on teleoperated demonstrations | |
| Lepora et al. | Pose-based tactile servoing: Controlled soft touch using deep learning | |
| CN111639749A (zh) | 一种基于深度学习的工业机器人摩擦力辨识方法 | |
| CN112025242A (zh) | 一种基于多层感知器的机械臂搜孔方法 | |
| Chen et al. | A probabilistic framework for uncertainty-aware high-accuracy precision grasping of unknown objects | |
| CN112192614A (zh) | 一种基于人机合作的核运维机器人轴孔装配方法 | |
| CN114310954B (zh) | 一种护理机器人自适应升降控制方法和系统 | |
| CN115781685A (zh) | 一种基于强化学习的高精度机械臂控制方法及系统 | |
| Ge | Programming by demonstration by optical tracking system for dual arm robot | |
| Agustian et al. | Robot manipulator control with inverse kinematics PD-pseudoinverse Jacobian and forward kinematics Denavit Hartenberg | |
| CN116442219B (zh) | 一种智能机器人控制系统及方法 | |
| Campbell et al. | Superpositioning of behaviors learned through teleoperation | |
| Ranjan et al. | Identification and control of NAO humanoid robot to grasp an object using monocular vision | |
| Liu et al. | An Image Based Visual Servo Approach with Deep Learning for Robotic Manipulation | |
| CN116852352A (zh) | 一种基于ArUco码的电力二次设备机械臂定位方法 | |
| CN116652939A (zh) | 一种并联机器人无标定视觉伺服柔顺控制方法 | |
| Almaghout et al. | Vision-based robotic comanipulation for deforming cables | |
| Wei et al. | Multisensory visual servoing by a neural network | |
| CN113681560B (zh) | 基于视力融合的机械臂操作铰接物体的方法 | |
| Lopez-Juarez et al. | On the design of intelligent robotic agents for assembly |
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 |