对工件的加工进行仿真
    1.
    发明公开

    公开(公告)号:CN105740497A

    公开(公告)日:2016-07-06

    申请号:CN201511024992.2

    申请日:2015-12-30

    IPC分类号: G06F17/50

    摘要: 提供了一种用于对利用切削工具的工件的加工进行仿真的计算机实现方法,所述切削工具具有至少一个切削部分和至少一个非切削部分。所述方法包括:提供(S10)表示工件的深度元素的集合,切削工具的轨迹,以及每一个都表示切削工具的相应的切削部分或者非切削部分的网格的集合并且随后,方法包括针对每个深度元素,针对每个网格计算(S20)描述时间(h,t)图的所有折线的末端点;以及基于所有折线的集合的下包络,沿深度元素来对切削工具与工件之间的冲突进行测试(S30)。这样的方法改进了对工件的加工的仿真。

    机器人模拟器、机器人示教装置以及机器人示教方法

    公开(公告)号:CN104002296A

    公开(公告)日:2014-08-27

    申请号:CN201410053868.8

    申请日:2014-02-17

    发明人: 桑原康一

    IPC分类号: B25J9/00 B25J9/22 B25J9/08

    摘要: 本发明提供一种与操作者的熟练度无关,使操作者能凭直觉容易地进行操作的机器人模拟器、机器人示教装置和机器人示教方法。机器人模拟器具有生成部、显示部、显示控制部及模拟指示部。生成部生成虚拟图像,其中包含:对具有至少一个轴的实际的机器人进行图像化的虚拟机器人、和能对以所述虚拟机器人的规定的控制点为原点的三维坐标轴进行操作的操作柄。显示控制部使由所述生成部生成的所述虚拟图像显示在所述显示部上。模拟指示部在接到操作者对所述操作柄进行的操作时,取得基于该操作的所述控制点的位移量和所述三维坐标轴的旋转量中的至少一方,使所述生成部根据取得的位移量和/或旋转量而再生成改变了所述机器人的姿态的所述虚拟图像。

    机器人模拟器、机器人示教装置以及机器人示教方法

    公开(公告)号:CN104002296B

    公开(公告)日:2016-05-18

    申请号:CN201410053868.8

    申请日:2014-02-17

    发明人: 桑原康一

    IPC分类号: B25J9/00 B25J9/22 B25J9/08

    摘要: 本发明提供一种与操作者的熟练度无关,使操作者能凭直觉容易地进行操作的机器人模拟器、机器人示教装置和机器人示教方法。机器人模拟器具有生成部、显示部、显示控制部及模拟指示部。生成部生成虚拟图像,其中包含:对具有至少一个轴的实际的机器人进行图像化的虚拟机器人、和能对以所述虚拟机器人的规定的控制点为原点的三维坐标轴进行操作的操作柄。显示控制部使由所述生成部生成的所述虚拟图像显示在所述显示部上。模拟指示部在接到操作者对所述操作柄进行的操作时,取得基于该操作的所述控制点的位移量和所述三维坐标轴的旋转量中的至少一方,使所述生成部根据取得的位移量和/或旋转量而再生成改变了所述机器人的姿态的所述虚拟图像。

    机器人模拟装置以及机器人模拟方法

    公开(公告)号:CN102658550A

    公开(公告)日:2012-09-12

    申请号:CN201110437861.2

    申请日:2011-12-23

    IPC分类号: B25J9/22

    摘要: 本发明涉及机器人模拟装置以及机器人模拟方法。该机器人模拟装置使模拟对象沿着轨道虚拟地运动,并具备:轨道计算部,在将为了采样所述模拟对象的位置而设定的时间设为采样时间,并且将为了计算所述模拟对象的位置而设定的时间设为中断间隔时间时,该轨道计算部利用所述中断间隔时间来计算所述采样时间后的所述模拟对象的位置;时间可变部,在所述采样时间为所述中断间隔时间以下的范围内,该时间可变部使所述采样时间和所述中断间隔时间这双方分别可变。

    一种基于视觉上自监督学习与模仿的绳索操纵方法

    公开(公告)号:CN106926242A

    公开(公告)日:2017-07-07

    申请号:CN201710296034.3

    申请日:2017-04-28

    发明人: 夏春秋

    IPC分类号: B25J9/16

    CPC分类号: B25J9/1671 G05B2219/40091

    摘要: 本发明中提出的一种基于视觉上自监督学习与模仿的绳索操纵方法,其主要内容包括:绳索操纵机械系统构造、指数线性单元深度卷积学习网络、绳索拾放模块、绳索拾放仿真,其过程为,首先改造机器人机械系统平台,允许其进行拾、取操作,然后将真实世界人手操控的图像与机器人自己操控的图像进行对比,输入到深度神经学习网络中进行配对训练,生成逆向模型来预测动作,在重复训练过程中使得该配置符合人手要求。本发明可以处理绳索等软性材料物体的操纵,提供一个深度神经学习网络来生成逆向动态模型,同时提高了机器人操控绳索的准确度。