-
公开(公告)号：CN114083539B
公开(公告)日：2022-06-14
申请号：CN202111448606.8
申请日：2021-11-30
Applicant: 哈尔滨工业大学
Abstract: 一种基于多智能体强化学习的机械臂抗干扰运动规划方法，属于机器人运动规划与智能控制的技术领域。本发明为了解决基于强化学习的机械臂神经运动规划器抗干扰能力弱的问题而提出。本发明包括：通过对机械臂关节图的建立和关联关系分析，提出了对单一机械臂的多智能体分解方法；基于集中式学习架构的多智能体SAC强化学习算法实现了机械臂多智能体强化学习的训练。通过在运动规划过程中分别施加动作扰动、关节锁定和观测扰动，验证了所提出的离散化后的多智能体机械臂强化学习运动规划方法相比于传统单智能体具备更强的抗干扰能力。本发明用于机械臂的运动规划与智能控制领域。
-
公开(公告)号：CN114055471B
公开(公告)日：2022-05-10
申请号：CN202111446661.3
申请日：2021-11-30
Applicant: 哈尔滨工业大学
Abstract: 一种结合神经运动规划算法和人工势场法的机械臂在线运动规划方法，属于机器人运动规划领域。本发明为了解决基于强化学习的神经运动规划器当规划任务的精度要求高时训练困难的问题，以及人工势场法的斥力势场构建复杂、存在局部极值的问题。本发明包括：一：对人工势场法进行简化，仅保留机械臂受到的引力势场，在避免构建复杂的斥力势场的同时也使局部极值问题不再存在。二：提出将人工势场法和强化学习相结合进行规划的新思路，通过设计灵活的切换机制，在距离目标较远时采用强化学习进行规划、距离小于阈值时切换为人工势场进行规划，提高了强化学习的训练速度和运动规划成功率。通过在仿真引擎中对不同精度的规划任务进行训练和测试，验证了所提方法的有效性。本发明用于机器人运动规划技术领域。
-
公开(公告)号：CN114055471A
公开(公告)日：2022-02-18
申请号：CN202111446661.3
申请日：2021-11-30
Applicant: 哈尔滨工业大学
Abstract: 一种结合神经运动规划算法和人工势场法的机械臂在线运动规划方法，属于机器人运动规划领域。本发明为了解决基于强化学习的神经运动规划器当规划任务的精度要求高时训练困难的问题，以及人工势场法的斥力势场构建复杂、存在局部极值的问题。本发明包括：一：对人工势场法进行简化，仅保留机械臂受到的引力势场，在避免构建复杂的斥力势场的同时也使局部极值问题不再存在。二：提出将人工势场法和强化学习相结合进行规划的新思路，通过设计灵活的切换机制，在距离目标较远时采用强化学习进行规划、距离小于阈值时切换为人工势场进行规划，提高了强化学习的训练速度和运动规划成功率。通过在仿真引擎中对不同精度的规划任务进行训练和测试，验证了所提方法的有效性。本发明用于机器人运动规划技术领域。
-
公开(公告)号：CN119885869A
公开(公告)日：2025-04-25
申请号：CN202411951287.6
申请日：2024-12-27
Applicant: 哈尔滨工业大学
IPC: G06F30/27 , G06N3/006 , G06Q10/0637 , G06Q50/26 , G06F111/06
Abstract: 本发明提供了一种基于改进DPSO算法的动态目标分配方法及系统，属于动态目标分配领域。为了解决现有多弹协同作战目标分配过程中，群智能优化算法收敛性和求解精度较差的问题。本发明基于十进制编码和速度整数化的方式，将传统PSO算法离散化，通过模块化初始化和边界值处理的方式确保种群更新过程中始终满足资源约束和整数约束；通过在目标函数中引入惩罚函数，将违背打击效能约束的解不断淘汰。为了进一步改善算法的性能，在求解过程中引入领域专家知识，实现了多弹协同作战目标分配问题的快速高质量求解。
-
公开(公告)号：CN113276109B
公开(公告)日：2024-04-26
申请号：CN202110430722.0
申请日：2021-04-21
Applicant: 国网上海市电力公司 , 国网上海能源互联网研究院有限公司 , 哈尔滨工业大学
Abstract: 本发明公开了一种基于RRT算法的双机械臂解耦运动规划方法及系统，包括：利用双向RRT算法分别对每个机械臂进行针对环境静态障碍物的无碰撞路径规划，以确定每个机械臂的第一运行路径节点序列和每个节点对应的时间信息；将每个机械臂的第一运行路径节点序列根据每个节点对应的时间信息进行一一对应，并行碰撞检测，获取碰撞检测结果；当所述碰撞检测结果指示发生碰撞时，将作为主臂的第一机械臂的第一运行路径节点序列作为动态障碍物，重新对作为从臂的第二机械臂进行无碰撞路径规划，以确定最终运行路径节点序列；根据第一机械臂的第一运行路径节点序列、第二机械臂的最终运行路径节点序列和每个节点对应的时间信息确定双机械臂解耦运动规划方案。
-
Patent Agency Ranking
公开(公告)号：CN114083539A
公开(公告)日：2022-02-25
申请号：CN202111448606.8
申请日：2021-11-30
Applicant: 哈尔滨工业大学
Abstract: 一种基于多智能体强化学习的机械臂抗干扰运动规划方法，属于机器人运动规划与智能控制的技术领域。本发明为了解决基于强化学习的机械臂神经运动规划器抗干扰能力弱的问题而提出。本发明包括：通过对机械臂关节图的建立和关联关系分析，提出了对单一机械臂的多智能体分解方法；基于集中式学习架构的多智能体SAC强化学习算法实现了机械臂多智能体强化学习的训练。通过在运动规划过程中分别施加动作扰动、关节锁定和观测扰动，验证了所提出的离散化后的多智能体机械臂强化学习运动规划方法相比于传统单智能体具备更强的抗干扰能力。本发明用于机械臂的运动规划与智能控制领域。
-
公开(公告)号：CN119828728A
公开(公告)日：2025-04-15
申请号：CN202411951197.7
申请日：2024-12-27
Applicant: 哈尔滨工业大学
IPC: G05D1/46 , G05D109/20
Abstract: 本发明提供了一种基于多智能体强化学习的变构型飞行器智能姿态控制方法及系统，属于智能控制领域。为了解决在复杂的控制任务下，变构型高超声速飞行器模型复杂非线性、姿态控制性能发挥不充分的问题。本发明基于多智能体强化学习端对端进行变构飞行器姿态控制，采用多智能体协同的方式进一步提高探索能力和控制弹性基于多智能体系统的智能姿态控制方法，将变构型高超声速飞行器的多个控制通道视为独立的智能体，在同一环境中训练学习，并根据各自的状态进行分布式决策，以实现一种有效的智能控制方式。
-
公开(公告)号：CN119828466A
公开(公告)日：2025-04-15
申请号：CN202411950361.2
申请日：2024-12-27
Applicant: 哈尔滨工业大学
IPC: G05B13/04
Abstract: 本发明一种基于神经网络辨识的跨域变构型高速飞行器自适应姿态控制方法、系统及存储介质,涉及飞行器控制技术领域，为解决现有方法需要提前将飞行器气动进行统一的参数化建模，对参数进行辨识；无法解决在跨域变构型高速飞行器气动参数模型完全未知情况下，由气动不确定性带来的姿态控制难题。本发明通过构建的三通道神经网络模型，包括俯仰通道神经网络模型、偏航通道神经网络模型和滚转通道神经网络模型；并基于舵偏误差对姿态变化的影响敏感性加权构建损失函数，训练得到三通道舵偏解算器神经网络模型；构建在线迁移学习样本库进行在线迁移学习，基于反步法控制器求解气动力矩，最终求解得到偏航指令。
-
公开(公告)号：CN119785249A
公开(公告)日：2025-04-08
申请号：CN202411989496.X
申请日：2024-12-31
Applicant: 哈尔滨工业大学
IPC: G06V20/17 , H04N23/62 , H04N23/63 , H04N23/81 , H04N25/62 , G06V10/30 , G06V10/40 , G06V10/54 , G06V10/25 , G06V10/764 , G06V10/82 , G06V10/80 , G06T7/80 , G06T5/60 , G06T17/00 , G06N3/0475 , G06N3/045 , G06N3/0464 , G06N3/0495
Abstract: 本发明专利提出了一种基于无人机载逆光成像技术的飞行模拟方法及系统，该技术解决了逆光环境下无人机平台目标感知与识别的关键科学问题，为高动态范围成像、目标检测与智能飞控的交叉研究提供了创新性方案。通过引入逆光成像相机和动态光圈控制技术，结合多点标定和多尺度降噪方法，有效克服了逆光环境中成像动态范围不足、图像细节丢失以及随机噪声干扰等传统难题。同时，基于生成对抗网络的影像增强方法，实现了复杂光照条件下目标纹理与结构特征的高保真重建，避免了传统增强算法中常见的伪影和色彩漂移问题。进一步，通过强化优化的YOLO检测框架与高分辨率特征金字塔网络的结合，成功构建了适应逆光场景的小目标高精度检测模型，在保持检测精度的同时显著提高了检测的鲁棒性与实时性。
-
公开(公告)号：CN119762381A
公开(公告)日：2025-04-04
申请号：CN202411969714.3
申请日：2024-12-30
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于强光背景的图像复原优化方法及系统，涉及图像复原技术领域。本发明的技术要点主要包括：通过内置掩膜板的波前编码系统，实现强光背景抑制，采集包含待检测物体的背景强光抑制后编码图像；采用改进后的L‑R图像复原算法对编码图像进行复原，结合小波变换进行残差迭代；并采用二次阈值去除两类主要噪声，保留暗弱目标数据；在此基础上，建立无参考图像质量评价体系；并采用滑动窗口计算其算术平均值，同时设定耐心迭代机制，控制L‑R算法的有效迭代次数；最后计算各次迭代中图像评价参数的最大值，确定最优迭代次数，得到强光背景下清晰目标图像。本发明能够有效消除强光背景对目标成像的干扰，缩短了算法迭代时间，复原了强光背景下目标图像的细节信息，显著提升强光背景下目标图像质量，具备较优的图像复原能力。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.032 seconds)
