-
题名多尺度卷积特征融合的SSD手势识别算法
被引量：8
- 1
-
-
作者
谢淋东
仲志丹
乔栋豪
高辛洪
-
机构
河南科技大学机电工程学院
-
出处
《计算机技术与发展》
2021年第3期100-105,共6页
-
基金
国家重点研发计划(2018YFB1701205)
国家级大学生创新创业训练项目(201910464002)。
-
文摘
为了提高对中小占比手势识别的准确性与稳定性,提出了一种多尺度卷积特征融合的SSD(single shot multibox detector)手势识别方法。该方法突出表现在两大方面,其一,在原始的SSD算法的多尺度卷积检测方法基础上,引入了不同卷积层的特征融合思想,经过空洞卷积下采样操作与反卷积上采样操作,实现网络结构中的浅层视觉卷积层与深层语义卷积层的融合,代替原有的卷积层用于手势识别,以提高模型对中小目标手势的识别精度;其二,为了解决正负样本不均衡导致分类性能差的问题,提出一种改进的损失函数,以提升模型对目标手势的分类能力。在手势识别公开的数据集上的实验结果表明,与SSD和Faster R-CNN等识别方法相比,能够在保持较高的手势检测精度的同时,又具有较好的鲁棒性与检测速度。
-
关键词
多尺度卷积特征
中小占比手势
空洞卷积
反卷积
特征融合
改进的损失函数
-
Keywords
multi-scale convolution features
small-medium proportion gesture
dilated convolution
deconvolution
feature fusion
improved loss function
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名DDPG优化算法的机械臂轨迹规划
被引量：5
- 2
-
-
作者
张浩博
仲志丹
乔栋豪
赵耀
杨遨宇
-
机构
河南科技大学机电工程学院
-
出处
《组合机床与自动化加工技术》
北大核心
2021年第12期37-40,共4页
-
基金
国家重点研发计划(2018YFB1701205)
国家级大学生创新实践项目(202010464015S)。
-
文摘
针对传统深度确定性策略梯度算法(Deep Deterministic Policy Gradient,DDPG)在机械臂轨迹规划中学习效率低、规划时间长的问题,提出了一种基于SumTree数据结构的加权采样DDPG算法。首先,对Q-learning的动作价值函数进行优化并引入OU随机噪声模型;其次,对经验池中的样本添加一个优先权,优先权大的样本有更大的概率被采样出来进行训练,从而提高样本的利用率;最后,基于ROS平台搭建虚拟机器臂的实验环境进行仿真。实验结果表明,在优化后的DDPG算法下,智能机械臂达到最大累积奖励时间提前了53.8%,学习效率提高了一倍以上,明显优于传统的DDPG算法。
-
关键词
深度确定性策略梯度
轨迹规划
加权采样
优先权
-
Keywords
deep deterministic policy gradient
trajectory planning
weighted sampling
priority
-
分类号
TH165
[机械工程—机械制造及自动化]
TG659
[金属学及工艺—金属切削加工及机床]
-
-
题名NMPC算法下六自由度机械臂避障轨迹规划
被引量：4
- 3
-
-
作者
乔栋豪
仲志丹
张浩博
赵耀
-
机构
河南科技大学机电工程学院
-
出处
《机床与液压》
北大核心
2022年第21期48-53,共6页
-
基金
国家重点研发计划(2018YFB1701205)
国家级大学生创新实践项目(202010464015S)。
-
文摘
针对机械臂在空间避障轨迹规划的需求,提出一种基于NMPC的六自由度机械臂避障轨迹规划算法。与以往的避障算法相比,该避障算法在规避障碍物的同时可以对运动轨迹精度进行控制。首先,建立六自由度机械臂自主防撞最优控制模型。其次,为了保证系统的时效性,对复杂的六自由度机械臂系统进行线性化处理,并且通过剪切搜索的方法来寻找最优解。最后,使其在满足控制约束和轨迹约束的前提下,达到自主避障效果。通过MATLAB对该算法进行仿真验证,结果表明:该方法能够有效地规划出满足机械臂性能要求的无障碍运动轨迹,实现机械臂在动态环境下的防撞控制,有效提高机械臂的运行安全。
-
关键词
六自由度机械臂
模型预测控制
碰撞检测
路径规划
-
Keywords
Six DOF manipulator
Model predictive control
Collision detection
Path planning
-
分类号
TP242.6
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名多主体机器人路径规划方法研究
被引量：2
- 4
-
-
作者
祝晨旭
仲志丹
张浩博
乔栋豪
-
机构
河南科技大学机电工程学院
-
出处
《制造业自动化》
CSCD
北大核心
2022年第6期72-74,共3页
-
基金
国家重点研发计划(2018YFB1701205)。
-
文摘
针对现存强化学习算法在输入数据维度较低时寻路用时较长,碰撞率高的问题,提出了一种基于深度强化学习的多主体机器人路径规划方法。该方法引入LSTM(long-short)网络处理不同维度的输入数据,选取NoisyNet-GA3C网络架构,应用A3C的多线程结构在gpu上训练,提高算法的训练速度,加强主体的学习能力。引入NoisyNet,在深度强化学习网络的全连接层添加噪声层,以对参数添加噪声进行训练的方式来增加模型的探索能力。程序模拟结果表明,在输入数据维度较低时,添加噪声后的深度强化学习路径规划相比与现存算法缩短了主体到达目标的时间,并且有效降低了碰撞率。
-
关键词
深度强化学习
多主体
路径规划
噪声网络
-
分类号
TP242.6
[自动化与计算机技术—检测技术与自动化装置]
-
