Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 杭州电子科技大学杨宇翔获国家专利权

杭州电子科技大学杨宇翔获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉杭州电子科技大学申请的专利基于注意力机制生成式网络的机械臂抓取参数估计方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN114782347B

龙图腾网通过国家知识产权局官网在2025-06-24发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202210387024.1,技术领域涉及:G06T7/00;该发明授权基于注意力机制生成式网络的机械臂抓取参数估计方法是由杨宇翔;邢玉虎;全嘉勉;高明裕;何志伟;董哲康设计研发完成,并于2022-04-13向国家知识产权局提交的专利申请。

基于注意力机制生成式网络的机械臂抓取参数估计方法在说明书摘要公布了:本发明公开了一种基于注意力机制生成式网络的机械臂抓取参数估计方法。本发明利用RGB‑D相机,捕获相应的作业场景图像,并将其输入训练好的基于注意力机制生成式网络中,得到抓取质量,抓取角度,抓取宽度和抓取优先级等机械臂抓取参数信息,并且通过抓取优先级对其余抓取参数进行筛选,从而获得在复杂多物体环境中更好的机械臂抓取参数。该发明不仅可以很好的解决机械臂在复杂堆叠环境中的自主抓取能力,而且通过对抓取优先级的参数估计,进一步加深了视觉系统对复杂堆叠环境中有效信息的感知能力,增强了整个系统对多维信息的数据处理能力,从而提高了机械臂在复杂堆叠环境中的抓取精度。

本发明授权基于注意力机制生成式网络的机械臂抓取参数估计方法在权利要求书中公布了:1.基于注意力机制生成式网络的机械臂抓取参数估计方法,其特征在于,包括: S1利用RGB-D相机获取机械臂当前状态下的作业场景图像,包括RGB图像Irgb和深度图像Idepth以及作业场景参考坐标系; S2依次将每个作业场景图像I输入训练好的基于注意力机制的生成式神经网络,生成包含运动指令向量的二维图像组预测值,二维图像组预测值中至少包含一个二维抓取质量图像Gθ,一个二维抓取角度图像Aθ,一个二维抓取宽度图像Wθ和一个二维抓取优先级图像Oθ,分别包含机械臂抓取物体时的抓取成功率信息,抓取角度信息,夹爪张开宽度信息和抓取顺序信息; 基于注意力机制的生成式神经网络包括: 特征提取部分、注意力机制部分、生成网络部分; 特征提取部分: 特征提取网络由一个卷积核大小为9×9的卷积层和两个卷积核大小为4×4的卷积层组成,这个阶段每个卷积层后面都紧接着一个BatchNormalization归一化层和一个RectifiedLinearUnit激活层; 将裁剪好的300×300大小的RGB图像Irgb和深度图像Idepth进行特征融合,得到融合特征图Ifusion,将Ifusion输入特征提取网络,进行特征提取,得到特征图Ioutput1; 注意力机制部分: 注意力机制网络由五个注意力模块组成,每个模块由残差部分,Squeeze部分和Excitation部分构成; 残差部分分成直接映射和残差映射两部分,直接映射由1×1的卷积核对Ioutput1进行卷积操作,得到直接映射结果hIoutput1,残差映射由两个卷积核大小为3×3的卷积层构成,两个卷积层后都紧接着一个BatchNormalization归一化层,第一个BatchNormalization归一化层后接着一个RectifiedLinearUnit激活层,Ioutput1经过残差映射后得到RIoutput1; Squeeze部分通过引入GlobalAveragePooling来实现,作用是获得特征图的每个通道的全局信息嵌入,即特征向量;假设uc是大小为W×H,通道为C的特征图,则Squeeze后的特征图为zc; Excitation部分通过zc学习到各个通道的权重,由两层全连接层的门机制构成;门控单元sc为大小为1×1,通道数为C的特征向量,则sc的计算方法表示为: sc=Fexzc,w=σgz,w=σw2δw1zc2 其中,σ为sigmoid激活函数,δ为ReLU激活函数,γ为隐藏层的节点数; 将得到的sc与uc进行向量积,即可得到预测值 将RIoutput1依次输入Squeeze部分和Excitation部分,即可得到经过Squeeze部分和Excitation部分的预测值将和残差部分得到的特征图进行拼接即可得到注意力模块的输出Ioutput2; 将Ioutput1输入5个线性连接的五个注意力模块中,即可得到注意力机制网络部分的输出 生成网络部分: 生成网络由两个卷积核大小为4×4的反卷积层和一个卷积核大小为9×9的反卷积层组成,两个卷积核大小为4×4的反卷积层后面都紧接着一个BatchNormalization归一化层和一个RectifiedLinearUnit激活层; 将输入生成网络即可得到包含运动指令向量的二维图像组预测值; S3对预测得到的二维图像组中二维抓取质量图像Gθ的像素值进行大小排序,选取n个像素值最大的像素点,即为抓取成功率最高的预测值根据该预测值的像素点坐标对应到二维角度图像Aθ,二维抓取宽度图像Wθ和二维抓取优先级图像Oθ中,即可获得抓取角度预测值抓取宽度预测值和抓取顺序预测值其中pn表示二维抓取质量图像Gθ的像素值从大到小排第n个的像素点坐标; S4对抓取顺序预测值进行排序,选取抓取顺序优先级最高的预测值则对应像素点坐标的抓取信息为最佳运动指令向量,即 S5将获得的最佳运动指令向量进行解析,得到在机械臂基坐标系下待抓取目标物体的抓取坐标、抓取角度和抓取宽度,即机械臂的抓取参数。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人杭州电子科技大学,其通讯地址为:310018 浙江省杭州市下沙高教园区2号大街;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。