-
公开(公告)号：CN110738697A
公开(公告)日：2020-01-31
申请号：CN201910957758.7
申请日：2019-10-10
Applicant: 福州大学
Abstract: 本发明提出一种基于深度学习的单目深度估计方法，包括：基于用于单目深度估计的无监督卷积神经网络结构,包括：编码器、多尺度特征融合模块、门控自适应解码器和细化单元；包括以下步骤：步骤S1：数据集预处理；步骤S2：构造卷积神经网络的损失函数，输入训练集图像，使用反向传播算法计算损失函数损失值，通过反复迭代减小误差进行参数学习，使预测值逼近真实值，以获得卷积神经网络的最佳权重模型；步骤S3：加载步骤S2已训练好的权重模型，将测试集输入用于单目深度估计的无监督卷积神经网络，获得深度预测图像。其解决了离线训练时计算量大和深度重建中细节部分恢复效果差的问题。
-
公开(公告)号：CN110703768A
公开(公告)日：2020-01-17
申请号：CN201911086247.9
申请日：2019-11-08
Applicant: 福州大学
IPC: G05D1/02
Abstract: 本发明涉及一种改进型动态RRT*的移动机器人运动规划方法。该方法剔除了原RRT*算法中所有的碰撞检测，通过在代价函数中增加碰撞风险评估分量的方法控制代价函数值。当采样点或边与障碍物发生碰撞时，该分量将显著增大，促使代价函数值同步显著增大，抑制了发生碰撞的点和边继续扩张的可能性，从而使算法具有避障的能力。因本发明方法没有碰撞检测，在移动机器人运动规划问题上比RRT*算法收敛的速度更快，效率更高，在越复杂的环境中优势越突出。
-
公开(公告)号：CN110244756A
公开(公告)日：2019-09-17
申请号：CN201910356849.5
申请日：2019-04-29
Applicant: 福州大学
IPC: G05D1/10
Abstract: 本发明涉及一种无人机快速追踪协同避障方法，包括如下步骤：1、获取无人机在t时刻的位姿信息，以及具有追踪目标的二维图像信息；2、采用快速追踪算法对相机视野中追踪目标进行快速追踪；3、通过二维激光雷达获取水平面深度信息；4、根据无人机在t时刻位姿预测其在t+1时刻期望位姿，以对目标进行轨迹预测；5、根据障碍物位置计算排斥矢量偏差值，以对障碍物进行初步规避；6、定义一个智能切换信号，基于步骤5得到的结果，优化避障策略，使无人机满足最小避障要求时触发该信号，然后按步骤4和步骤5的方法，在对追踪目标进行快速追踪的同时进行高效避障。该方法可以使无人机在快速跟踪地面目标的同时躲避空中障碍物。
-
公开(公告)号：CN109597418A
公开(公告)日：2019-04-09
申请号：CN201910038299.2
申请日：2019-02-27
Applicant: 福州大学
IPC: G05D1/02
CPC classification number: G05D1/0088 , G05D1/027 , G05D1/0272 , G05D1/0289
Abstract: 本发明涉及一种基于独立虚拟中心点的机器人分散式协同避障方法，包括如下步骤：步骤1：利用扩展卡尔曼滤波融合惯性测量单元与里程计数据，获得机器人的当前位姿信息；步骤2：通过网络通信，机器人之间共享速度和位置信息，计算出每个机器人的虚拟中心点，虚拟中心点随机器人运动而运动；步骤3：根据每个机器人的当前位置与其目标点位置、其虚拟中心点的位置，得到机器人的目标矢量和排斥矢量；步骤4：定义一个切换信号判断机器人的运动模式为避障模式或者为无障碍模式；步骤5：利用矢量微分法得到机器人的期望速度与期望角度，根据控制法则得到机器人的实时速度和角速度，指导机器人运动。避障方法采用绕虚拟中心点，垂直于排斥矢量方向旋转运动；无障碍模式即机器人始终朝着目标矢量运动，从而引导机器人进行有序地避障。
-
公开(公告)号：CN110738697B
公开(公告)日：2023-04-07
申请号：CN201910957758.7
申请日：2019-10-10
Applicant: 福州大学
IPC: G06T7/50 , G06F18/2135 , G06F18/25 , G06N3/0464 , G06N3/084
Abstract: 本发明提出一种基于深度学习的单目深度估计方法，包括：基于用于单目深度估计的无监督卷积神经网络结构,包括：编码器、多尺度特征融合模块、门控自适应解码器和细化单元；包括以下步骤：步骤S1：数据集预处理；步骤S2：构造卷积神经网络的损失函数，输入训练集图像，使用反向传播算法计算损失函数损失值，通过反复迭代减小误差进行参数学习，使预测值逼近真实值，以获得卷积神经网络的最佳权重模型；步骤S3：加载步骤S2已训练好的权重模型，将测试集输入用于单目深度估计的无监督卷积神经网络，获得深度预测图像。其解决了离线训练时计算量大和深度重建中细节部分恢复效果差的问题。
-
Patent Agency Ranking
公开(公告)号：CN110597263B
公开(公告)日：2021-11-26
申请号：CN201910909681.6
申请日：2019-09-25
Applicant: 福州大学
IPC: G05D1/02
Abstract: 本发明涉及一种无人餐厅自动送餐路径规划方法，包括以下步骤：步骤S1:根据顾客点餐系统获取送餐小车的目标点位及送餐小车数量；步骤S2:根据得到的目标点位及送餐小车数量，确定系统调度目标；步骤S3:根据系统调度目标构建路径规划模型；步骤S4:根据得到的路径规划模型规划初始规划策略；步骤S5:根据得到初始规划策略，采用模糊算法规避实时碰撞，生成最优规划策略；步骤S6:系统根据最优规划策略控制送餐小车执行送餐任务。本发明可以保证无人餐厅自动送餐系统的稳定性、可靠性，同时保证送餐小车组的调度有序、高效，不会发生送餐小车间相互碰撞或者死锁的情况。
-
公开(公告)号：CN110244756B
公开(公告)日：2021-09-24
申请号：CN201910356849.5
申请日：2019-04-29
Applicant: 福州大学
IPC: G05D1/10
Abstract: 本发明涉及一种无人机快速追踪协同避障方法，包括如下步骤：1、获取无人机在t时刻的位姿信息，以及具有追踪目标的二维图像信息；2、采用快速追踪算法对相机视野中追踪目标进行快速追踪；3、通过二维激光雷达获取水平面深度信息；4、根据无人机在t时刻位姿预测其在t+1时刻期望位姿，以对目标进行轨迹预测；5、根据障碍物位置计算排斥矢量偏差值，以对障碍物进行初步规避；6、定义一个智能切换信号，基于步骤5得到的结果，优化避障策略，使无人机满足最小避障要求时触发该信号，然后按步骤4和步骤5的方法，在对追踪目标进行快速追踪的同时进行高效避障。该方法可以使无人机在快速跟踪地面目标的同时躲避空中障碍物。
-
公开(公告)号：CN110221614B
公开(公告)日：2021-06-01
申请号：CN201910513339.4
申请日：2019-06-14
Applicant: 福州大学
IPC: G05D1/02
Abstract: 本发明涉及一种基于快速探索随机树的多机器人地图探索方法，包括以下步骤：步骤1：利用基于RRT的边界检测器，包括全局边界检测器和局部边界检测器，检测边界点；步骤2：对得到的边界点进行滤波，即剔除已被探测过的边界点并将一些密集的边界点进行聚类，再将滤波后的边界点存入边界点列表中；步骤3：使用基于市场经济的多机器人任务分配策略，根据各个边界点和机器人的位置，通过对成本和收益的计算，将特定的边界点分配给利润最高的机器人，从而建立机器人的局部地图；步骤4：通过网络通信，共享并融合各个机器人所得到的地图信息从而得到最终的地图。本发明能够克服现有技术的不足，引导多机器人自主探索未知环境并建立环境地图。
-
公开(公告)号：CN109597418B
公开(公告)日：2021-03-02
申请号：CN201910038299.2
申请日：2019-02-27
Applicant: 福州大学
IPC: G05D1/02
Abstract: 本发明涉及一种基于独立虚拟中心点的机器人分散式协同避障方法，包括如下步骤：步骤1：获得机器人的当前位姿信息；步骤2：计算出每个机器人的虚拟中心点，虚拟中心点随机器人运动而运动；步骤3：根据每个机器人的当前位置与其目标点位置、其虚拟中心点的位置，得到机器人的目标矢量和排斥矢量；步骤4：定义一个切换信号判断机器人的运动模式为避障模式或者为无障碍模式；步骤5：利用矢量微分法得到机器人的期望速度与期望角度，根据控制法则得到机器人的实时速度和角速度，指导机器人运动。本发明采用绕虚拟中心点，垂直于排斥矢量方向旋转运动；机器人始终朝着目标矢量运动，从而引导机器人进行有序地避障。
-
公开(公告)号：CN112396656A
公开(公告)日：2021-02-23
申请号：CN202011329017.3
申请日：2020-11-24
Applicant: 福州大学
Abstract: 本发明涉及一种视觉与激光雷达融合的室外移动机器人位姿估计方法，包括以下步骤：步骤S1:获取点云数据及视觉图像数据；步骤S2:采用迭代拟合的算法对地面模型进行准确估计并提取地面点；步骤S3:对视觉图像下半区域提取ORB特征点，并根据地面点为视觉特征点估计深度；步骤S4:获取由点云的深度信息构成的深度图像；步骤S5:提取边缘特征、平面特征及地面特征；步骤S6:利用汉明距离及RANSAC算法对视觉特征进行匹配并采用迭代最近点法初步计算移动机器人的相对位姿；步骤S7:根据视觉得到的相对位姿、地面点云提供的点面约束、法向量约束和非地面点云提供的点线、点面约束，得到机器人的最终位姿。本发明实现移动机器人在室外环境中精度更高、鲁棒性更高的位姿估计。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.029 seconds)
