公开(公告)号：CN119648747A

公开(公告)日：2025-03-18

申请号：CN202510162679.2

申请日：2025-02-14

Applicant: 北京理工大学

Inventor： 王钢 ,  王树泽 ,  孙健 ,  梅云鹏 ,  袁烨天 ,  曹宏杰 ,  刘文婕 ,  李依霏 ,  张博譞 ,  陈杰

IPC: G06T7/246 ,  G06V40/20 ,  G06V10/774 ,  G06V10/82 ,  G06N3/045 ,  G06T7/73

Abstract: 本发明公开了基于关键点和模仿学习的动作预测方法、终端及存储介质，涉及具身智能技术领域。本发明将世界模型的思想与模仿学习结合，通过环境动力学预测模型学习到更符合环境上下文的场景表示，并通过训练后的轨迹预测模型预测关键点运动轨迹，以辅助动作头模块进行动作决策。本发明利用关键点运动轨迹作为辅助信息，可以有效提升智能体的决策准确性。首先关键点不会受到光照等环境变化的影响，即使物体被部分遮挡，剩余部分的关键点轨迹依然能够提供同样的信息，因此具有较好的鲁棒性。其次，关键点的运动轨迹与智能机械装置在三维空间中的运动轨迹存在确定的映射关系，因此能够使得神经网络更好的拟合智能机械装置的移动动作。

公开(公告)号：CN114742135B

公开(公告)日：2025-01-17

申请号：CN202210288502.3

申请日：2022-03-22

Applicant: 北京理工大学

Inventor： 王钢 ,  曹宏杰 ,  孙健 ,  陈杰

IPC: G06F18/2135 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/044 ,  G06N3/0499 ,  G06N3/084

Abstract: 本发明提出一种基于深度神经网络的对比主成分数据分析方法，能够通过训练灵活地对数据进行非线性映射，进而提取数据中存在的对比信息。包括，对需要提取对比信息的原始数据向量进行均值中心化，从训练数据中随机选择一个批次的数据，将数据输入神经网络进行前向传播，通过目标网络和背景网络将数据映射到新的特征空间；对所述目标网络和背景网络的输出再次进行均值中心化操作，计算样本协方差矩阵，进行对比主成分分析，得到对比投影方向矩阵；计算损失函数对于网络输出的梯度值，通过反向传播算法对所述目标网络和背景网络的权重进行迭代，将全部数据进行前向传播和对比主成分分析，并将网络输出在对比投影方向上进行投影，得到对比主成分。

公开(公告)号：CN119625072A

公开(公告)日：2025-03-14

申请号：CN202510162677.3

申请日：2025-02-14

Applicant: 北京理工大学

Inventor： 王钢 ,  梅云鹏 ,  曹宏杰 ,  王树泽 ,  刘文婕 ,  李依霏 ,  孙健 ,  邓方 ,  彭志红 ,  陈杰

IPC: G06T7/73 ,  G06F40/284 ,  G06N3/045 ,  G06N3/0464

Abstract: 本发明公开了一种语言驱动的物体抓取姿态预测方法、终端及存储介质，涉及人工智能与计算机视觉技术领域。本发明提供的语言驱动的物体抓取姿态预测模型是一种引入了语言交互能力的模型，可以结合用户输入的语言提示词进行交互式预测，使得操作者可以通过语言提示词指定抓取对象，并由模型预测出更准确的抓取姿态。本发明拓展了物体抓取姿态预测模型的可交互性和模型灵活性，对非结构化任务场景具有较强泛化性。

公开(公告)号：CN116187193A

公开(公告)日：2023-05-30

申请号：CN202310193095.2

申请日：2023-02-28

Applicant: 北京理工大学

Inventor： 王钢 ,  曹宏杰 ,  孙健 ,  甘明刚 ,  陈杰

IPC: G06F30/27 ,  G06N3/08 ,  G06N3/0442 ,  G06N3/0455 ,  G06N3/0464 ,  G06F119/04

Abstract: 本发明公开一种数据和模型混合驱动的机械部件剩余使用寿命预测方法，涉及设备智能制造和健康管理领域。本发明方法采用拓展卡尔曼滤波对指数随机模型进行参数校准，通过混合驱动预测模型的自适应编码层自动学习输入嵌入的位置信息，然后通过多头自注意力机制建模输入数据与剩余使用寿命间的映射关系。本发明结合校准的指数随机模型和多头注意力神经网络结构，同时保留了基于模型方法的准确性和数据驱动方法的泛化能力，能够提升机械部件剩余使用寿命预测的准确度，对数据/模型混合驱动方法在智能制造和机械设备健康管理领域的应用具有重要意义。

公开(公告)号：CN114742135A

公开(公告)日：2022-07-12

申请号：CN202210288502.3

申请日：2022-03-22

Applicant: 北京理工大学

Inventor： 王钢 ,  曹宏杰 ,  孙健 ,  陈杰

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出一种基于深度神经网络的对比主成分数据分析方法，能够通过训练灵活地对数据进行非线性映射，进而提取数据中存在的对比信息。包括，对需要提取对比信息的原始数据向量进行均值中心化，从训练数据中随机选择一个批次的数据，将数据输入神经网络进行前向传播，通过目标网络和背景网络将数据映射到新的特征空间；对所述目标网络和背景网络的输出再次进行均值中心化操作，计算样本协方差矩阵，进行对比主成分分析，得到对比投影方向矩阵；计算损失函数对于网络输出的梯度值，通过反向传播算法对所述目标网络和背景网络的权重进行迭代，将全部数据进行前向传播和对比主成分分析，并将网络输出在对比投影方向上进行投影，得到对比主成分。