项目成果/简介:随着机器人技术的逐步完善,适于特殊作业的机器人种类也日益增多,其应用领域不断拓展到微电子制造,MEMS封装与组装,高精密机械加工与装配,生物芯片制备,大范围高速扫描检测装备等行业.随之而来的,各行业对机器人的性能指标提出了越来越高的要求,追求机器人的高定位精度,高重复精度,高分辨力,同时还要求其工作范围大,质量轻,能耗低等,从而对机器人结构的设计提出了更高的要求.在这样的前提之下,为满足

本发明公开了一种基于体感技术的机器人离线示教系统，其包 括空间点位采集模块，数据处理模块和离线编程模块，其中，空间点 位采集模块用于完成机器人的示教过程，其通过体感设备识别和捕捉 人体肢体动作，获得肢体运动轨迹中的空间点位，以提供给数据处理模块;数据处理模块用于对所述空间点位进行滤波和光顺处理，获得 适合机器人运动的运动轨迹，并将处理后的空间点位坐标提供给离线 编程模块;离线编程模块用于对运动轨迹中的空间点的坐标进行坐标 变换和后置处理，以生成机器人可以执行的代码，用于输出至机器人 实现示教。本发明

本发明公开了一种用于机器人清除高压输电线异物的末端工具及方法，包括基座、夹持末端和切割 末端，夹持末端包括两个夹持刀架、两个夹持连杆、两个夹爪、夹持滑块和驱动装置，两个夹持刀架前 端分别固定有夹爪，其尾端分别通过夹持连杆与夹持滑块铰接；切割末端包括切割刀架、切割连杆、两 个切割刀片、切割滑块、以及驱动切割滑块的驱动装置，切割刀架和夹持刀架中部通过固定销轴铰接相 连，两个切割刀片分别固定在切割刀架前端和相对位置的夹爪底部，切割刀架尾端通过切割连杆

本发明公开了一种模块化嵌入式多足机器人运动控制器，包括PC 模块、机身控制模块和分别位于各条足上的足单元控制模块。PC模块用于识别机器人所处环境，确定机器人的下一步动作并将数据传送给机身控制模块。机身控制模块用于将该数据处理成为具体运动数据，再将数据通过机身总线分发到各足单元控制模块。本发明采用分层式控制方式，由数据运算层、机身控制层和关节控制层组成。数据运算层建立在 PC 机上，根据机器人的正逆运动学、动力学计算出机器人的步态数据。机身控制层以 ARM 处理器为控制核心。机身控制层有较大的存储空间

本发明公开了一种基于 CMP 的机器人磨抛系统，包括六轴机器人、放置工件的工件夹、对需要抛 光工件进行检测并三维重构的轮廓检测单元、带抛光垫的磨轮、安装磨轮的基座、以及主控制器，所述 六轴机器人自由端部设有带伺服电机的电主轴，工件夹上方设有能向工件喷 CMP 抛光液的抛光液喷射 装置，工件夹安装在所述电主轴上，所述主控制器控制轮廓检测单元、六轴机器人、电主轴

本发明公开了一种用于消化道内窥镜检查的胶囊机器人，包括胶囊外壳、设置在胶囊外壳内部的内置永磁体、齿轮传动机构、影像采集单元，以及可伸出胶囊外壳的回转腿；其中内置永磁体可在外置永磁体的驱动下旋转；齿轮传动机构的输入端与内置永磁体相连，用于将旋转运动转换为绕着胶囊机器人主轴线的回转运动，其输出端与回转腿构成移动副，用于驱动回转腿以改变其伸出胶囊外壳的长度；影像采集单元用于拍摄被检部位，并将所拍摄的影像发送至影像接收处理装置，由此执行内窥镜检查过程。本发明还公开了相应的运动控制系统。通过本发明，能够灵活执

本发明公开了一种基于像素空间优化的相机与机器人相对位姿标定方法。本发明采用机器人末端携带标定板在固定相机视野内运动，利用标定板的空间运动约束信息，标定得到最优的相机与机器人基座的相对位姿关系。首先通过利用旋转矩阵的线性不变性求解齐次变换矩阵，得到的初步的标定结果；然后将初步标定结果作为优化初值，在像素空间进行优化，使得重投影误差最小。本发明采用了迭代优化算法，无需精密的外部测量设备，利用图像像素空间的模型约束，结合有效的优化初值获取方法，得到了相对高精度的标定结果，可满足工业应用中视觉伺服机器人完成定位和抓取工作的需求。

Turtle Bot 4 是一款低成本、完全可扩展、支持ROS 的移动机器人，旨在为机器人研究人员、开发人员和教育工作者提供研究参考平台。TurtleBot 4 有两种型号--TurtleBot 4 标准版和TurtleBot 4 Lite。 两者均基于 iRoboto Create3 教育机器人构建，TurtleBot 4 提供一个 OLED屏幕、 OAK-pro相机以及带有可访问用户电源和USB端口的安装板。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。