2019年12月20日，中国机械工业联合会在杭州组织召开了由浙江大学、浙江福祉医疗器械有限公司联合完成的“老年护理用运动体征与状态监测关键技术与装备”项目科技成果鉴定会。鉴定委员会听取了完成单位的研制等报告，审查了相关材料，经质询和讨论等环节。鉴定委员会同意通过鉴定，并建议加大应用推广力度。

四足机器人具有良好的运动灵活性和环境适应性,是机器人研究领域的热点。随着研究的深入和对机器人运动性能需求的提高,四足机器人研究领域分化出以高速运动为目标的研究分支。生物学研究显示,跳跃步态是四足动物典型的高速对称步态,且多种动物在高速速度中存在脊柱大幅地参与运动,而相应的脊柱型四足机器人的理论及运动控制研究却鲜见报道。当前研究大多孤立了脊柱环节,鲜有整机的建模研究以及运动控制方法研究。在该方向的研究势必推动仿生工程和机器人运动控制等方面的发展,此外,以其高速运动的特点,在军事侦察、救震救灾和未来生活等领域也将具有广阔的应用前景。首先,本文以分析猎豹的运动特性入手,建立了脊柱型四足机器人七杆模型,以及构建了ASLIP动力学模型,使用拉格朗日方程推导了其跳跃运动的动力学方程;迭代运算动力学微分方程,使用庞加莱映射方法搜索了机器人七杆模型基于ASLIP跳跃运动的不动点,结果显示不动点在固定能量层级下呈区域性分布;不动点的对比结果显示基于ASLIP模型的运动比基于SLIP模型的运动能适应更高的稳态运动速度,并作了触地力、脊柱角和稳定性等特性分析。为脊柱型四足机器人跳跃运动提供了动力学模型和理论基础。然后,根据机器人模型各关节主动力作用于控制量的广义力计算结果,研究了前向速度、弹跳高度、机身俯仰角

项目成果/简介:四足机器人具有良好的运动灵活性和环境适应性,是机器人研究领域的热点。随着研究的深入和对机器人运动性能需求的提高,四足机器人研究领域分化出以高速运动为目标的研究分支。生物学研究显示,跳跃步态是四足动物典型的高速对称步态,且多种动物在高速速度中存在脊柱大幅地参与运动,而相应的脊柱型四足机器人的理论及运动控制研究却鲜见报道。当前研究大多孤立了脊柱环节,鲜有整机的建模研究以及运动控制方法研究。在

本发明公开了一种六自由度串联机器人运动学反解的求解方法， 该方法包括:读入连杆参数建立机器人连杆坐标系模型;已知连杆末 端关节位置，建立关节位置约束方程;根据各关节位置约束方程，确 定各关节位置;建立机器人各关节坐标系的姿态约束方程;将之前求 得的关节位置坐标解分别代入姿态约束方程中，根据姿态约束方程， 求解各组关节变量中间值;对关节变量中间值进行分析处理，选取最 佳关节变量解。本发明采用空间几何理论将机器人运动学反解中位置 和姿态进行分离求解，大大降低了几何法运动学反解运算的复杂性， 并能够应用于

一种无监督的跨受试者适应方法，用以预测未被标记信号的目标受试者的运动意图，将受试者和研究人员从标记大量数据中解放出来。 准确预测人体运动意图有助于控制可穿戴机器人在不同地形上的运动，从而辅助人类平稳行走。传统的预测人类运动意图的方法需要收集和标记人体信号，并训练每个新受试者使用特定的分类器，这给受试者和研究人员都带来了繁重负担。

国内外大科学工程研究中如激光聚变，空间光学，天文望远镜等，都对大口径光学元件提出了较大的需求和较高的要求，而国内大口径光学加工制造能力还远落后于美国，欧洲等国家。随着国内对大口径光学元件的需求越来越大，精度越来越高，口径越来越大，孔径也不断增大，适用于大尺寸、非球面、高效、精密的柔性加工技术已成为制约其发展和亟待解决的关键问题。利用智能化自动化技术生产取代传统手工低效率研磨已经成为必然趋势。为适应大口径光学元件的加工，结合现有成熟工业机器人技术条件，先进制造装备及控制实验室开展了多工具柔性磨抛复合加工技术的研究，利用工业机器人模拟手工研磨镜面加工技术，通过在末端关节安装的专门研发磨抛工具头对各型大口径平面及曲面类光学元件进行高效率研磨加工，还能根据光学元件面形检测得出的误差结果，专门开发了自主知识产权的软件能智能化地在光学表面相应的区域自动选择修正工具，并自动通过高效叠代算法得出合适的磨抛材料去除函数，并生成高精度光学表面加工程序，有效地控制加工大口径光学元件过程中产生的各种误差，特别是能有效克服“蹋边问题”，该成套技术不仅能大大提高大口径光学元件的抛光效率和加工精度，另外与采用精密数控机床加工相比还能有效降低企业设备采购与维护成本。 应用领域： 核聚变、空间光学、天文光学望远镜、光学镜头等涉及光学元件制造行业 技术指标： ？ 实现直径1米的大口径光学元件磨抛加工； ？ 直径500mm的平面反射镜有效口径范围面形精度达到PV=0.387λ、rms=0.063λ。

国内外大科学工程研究中如激光聚变，空间光学，天文望远镜等，都对大口径光学元件提出了较大的需求和较高的要求，而国内大口径光学加工制造能力还远落后于美国，欧洲等国家。随着国内对大口径光学元件的需求越来越大，精度越来越高，口径越来越大，孔径也不断增大，适用于大尺寸、非球面、高效、精密的柔性加工技术已成为制约其发展和亟待解决的关键问题。利用智能化自动化技术生产取代传统手工低效率研磨已经成为必然趋势。为适应大口径光学元件的加工，结合现有成熟工业机器人技术条件，先进制造装备及控制实验室开展了多工具柔性磨抛复合加工技术的研究，利用工业机器人模拟手工研磨镜面加工技术，通过在末端关节安装的专门研发磨抛工具头对各型大口径平面及曲面类光学元件进行高效率研磨加工，还能根据光学元件面形检测得出的误差结果，专门开发了自主知识产权的软件能智能化地在光学表面相应的区域自动选择修正工具，并自动通过高效叠代算法得出合适的磨抛材料去除函数，并生成高精度光学表面加工程序，有效地控制加工大口径光学元件过程中产生的各种误差，特别是能有效克服“蹋边问题”，该成套技术不仅能大大提高大口径光学元件的抛光效率和加工精度，另外与采用精密数

成果简介： 国内外大科学工程研究中如激光聚变，空间光学，天文望远镜等，都对大口径光学元件提出了较大的需求和较高的要求，而国内大口径光学加工制造能力还远落后于美国，欧洲等国家。随着国内对大口径光学元件的需求越来越大，精度越来越高，口径越来越大，孔径也不断增大，适用于大尺寸、非球面、高效、精密的柔性加工技术已成为制约其发展和亟待解决的关键问题。利用智能化自动化技术生产取代传统手工低效率研磨已经成为必然趋势。为适应大口径光学元件的加工，结合现有成熟工业机器人技术条件，先进制造装备及控制实验室开展了多工具柔性磨抛复合加工技术的研究，利用工业机器人模拟手工研磨镜面加工技术，通过在末端关节安装的专门研发磨抛工具头对各型大口径平面及曲面类光学元件进行高效率研磨加工，还能根据光学元件面形检测得出的误差结果，专门开发了自主知识产权的软件能智能化地在光学表面相应的区域自动选择修正工具，并自动通过高效叠代算法得出合适的磨抛材料去除函数，并生成高精度光学表面加工程序，有效地控制加工大口径光学元件过程中产生的各种误差，特别是能有效克服“蹋边问题”，该成套技术不仅能大大提高大口径光学元件的抛光效率和加工精度，另外与采用精密数控机床加工相比还能有效降低企业设备采购与维护成本。 应用领域： 核聚变、空间光学、天文光学望远镜、光学镜头等涉及光学元件制造行业 技术指标： 实现直径1米的大口径光学元件磨抛加工； 直径500mm的平面反射镜有效口径范围面形精度达到PV=0.387λ、rms=0.063λ。

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

提供一种高分辨率光学推扫卫星稳态重成像传感器校正方法及系统，包括构建单片TDICCD非稳态严密几何模型和虚拟CCD稳态成像严密几何模型，根据虚拟CCD稳态成像严密几何模型得到有理函数模型，建立单片TDICCD影像与虚拟CCD重成像影像的一一映射关系，从而根据原始的单片TDICCD影像生成传感器校正后影像。本发明技术方案结合虚拟CCD成像原理，利用多片TDICCD非稳态几何模型与虚拟单线阵CCD稳态几何模型定位的一致性，实现多片CCD影像的无缝拼接的同时，校正由平台震颤引起的影像变形，提供用户标准景影像和对应高精度RPC参数，便于后续图像应用。