一种基于深度学习的机器人避障控制方法及装置
阅读：815发布：2020-05-12
专利汇可以提供一种基于深度学习的机器人避障控制方法及装置专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于 深度学习 的 机器人 避障控制方法及装置，其中，所述方法包括：基于环境采集设备采集机器人当前 位置 的环境数据信息；基于环境数据信息利用深度学习 算法 对移动障碍物的下一时刻位置进行预测处理，获得移动障碍物下一时刻的预测位置；基于机器人的 里程计 获得所述机器人当前位置信息；基于机器人的当前位置信息和移动障碍物下一时刻的预测位置生成控制机器人规避障碍物的避障控制指令；机器人 控制器 响应所述避障控制指令，控制机器人规避移动障碍物。在本发明 实施例 中，可以准确的预测移动障碍物的位置信息，快速生成控制机器人规避移动障碍物的控制指令，以快速控制机器人完成障碍物的规避，提升避障准确度。，下面是一种基于深度学习的机器人避障控制方法及装置专利的具体信息内容。
1.一种基于深度学习的机器人避障控制方法，其特征在于，所述方法包括：
基于环境采集设备采集机器人当前位置的环境数据信息；以及，
基于所述环境数据信息利用深度学习算法对移动障碍物的下一时刻位置进行预测处理，获得所述移动障碍物下一时刻的预测位置；
基于所述机器人的里程计获得所述机器人当前位置信息；
基于所述机器人的当前位置信息和所述移动障碍物下一时刻的预测位置生成控制所述机器人规避障碍物的避障控制指令；
所述机器人控制器响应所述避障控制指令，控制所述机器人规避移动障碍物。
2.根据权利要求1所述的机器人避障控制方法，其特征在于，所述基于环境采集设备采集机器人当前位置的环境数据信息，包括：
基于激光传感器以及双目视频采集设备采集所述机器人当前位置的环境数据信息。
3.根据权利要求2所述的机器人避障控制方法，其特征在于，所述基于激光传感器以及双目视频采集设备采集所述机器人当前位置的环境数据信息，包括：
基于所述激光传感器采集所述机器人至当前环境下周围物体的距离信息和角度信息；
基于所述双目视频采集设备对采集的视频图像构成出观测场景的视觉差图；
基于所述观测场景的视觉差图确定环境空间结构图；
基于所述距离信息、角度信息以及环境空间结构图构建出所述机器人在当前位置的环境数据信息；
所述环境数据信息包括障碍物的移动趋势、所述机器人距离障碍物的距离信息、角度信息。
4.根据权利要求1所述的机器人避障控制方法，其特征在于，所述基于所述环境数据信息利用深度学习算法对移动障碍物的下一时刻位置进行预测处理，包括：
将所述环境数据信息输入训练收敛的深度学习算法对所述移动障碍物的下一时刻位置进行预测处理。
5.根据权利要求1所述的机器人避障控制方法，其特征在于，所述基于所述机器人的里程计获得所述机器人当前位置信息，包括：
所述机器人读取当前里程计的里程数据信息；
将所述里程数据信息结合至所述机器人内置地图信息中获得所述机器人的当前位置信息。
6.根据权利要求1所述的机器人避障控制方法，其特征在于，所述基于所述机器人的当前位置信息和所述移动障碍物下一时刻的预测位置生成控制所述机器人规避障碍物的避障控制指令，包括：
基于所述机器人的当前位置信息和所述移动障碍物下一时刻的预测位置进行避障路径规划处理，获得所述机器人的避障规划路径；
基于所述机器人的避障规划路径生成控制所述机器人规避障碍物的避障控制指令。
7.根据权利要求1所述的机器人避障控制方法，其特征在于，所述控制所述机器人规避移动障碍物，还包括：
在控制所述机器人规避移动障碍物的过程中，利用所述环境采集设备获得实时环境数据信息，并基于所述实时环境数据信息进行机器人所述机器人规避移动障碍物路径的微调。
8.一种基于深度学习的机器人避障控制装置，其特征在于，所述装置包括：
数据采集模块：用于基于环境采集设备采集机器人当前位置的环境数据信息；以及，位置预测模块：用于基于所述环境数据信息利用深度学习算法对移动障碍物的下一时刻位置进行预测处理，获得所述移动障碍物下一时刻的预测位置；
位置信息获得模块：用于基于所述机器人的里程计获得所述机器人当前位置信息；
控制指令生成模块：用于基于所述机器人的当前位置信息和所述移动障碍物下一时刻的预测位置生成控制所述机器人规避障碍物的避障控制指令；
指令响应模块：用于所述机器人控制器响应所述避障控制指令，控制所述机器人规避移动障碍物。
一种基于深度学习的机器人避障控制方法及装置
技术领域
[0001] 本发明涉及机器人自动控制技术领域，尤其涉及一种基于深度学习的机器人避障控制方法及装置。
背景技术
[0002] 随着机器人技术的逐渐成熟，机器人被广泛应用于生产线上的、工业服务上，室内移动客户服务以及危险作业等；尤其应用在室内移动客户服务时，需要在室内进行时刻移动，在室内，存在各种人员走动以及物品的摆放等，将存在多个对于机器人来说为移动障碍物和固定障碍物的物品，将严重的影响机器人的安全、高效的规避障碍物的移动。
发明内容
[0003] 本发明的目的在于克服现有技术的不足，本发明提供了一种基于深度学习的机器人避障控制方法及装置，可以准确的预测移动障碍物的位置信息，快速生成控制机器人规避移动障碍物的控制指令，以快速控制机器人完成障碍物的规避，提升避障准确度；实现控制机器人安全、高效的规避障碍物的移动。
[0004] 为了解决上述技术问题，本发明实施例提供了一种基于深度学习的机器人避障控制方法，所述方法包括：
[0007] 基于所述机器人的里程计获得所述机器人当前位置信息；
[0008] 基于所述机器人的当前位置信息和所述移动障碍物下一时刻的预测位置生成控制所述机器人规避障碍物的避障控制指令；
[0009] 所述机器人控制器响应所述避障控制指令，控制所述机器人规避移动障碍物。
[0010] 可选的，所述基于环境采集设备采集机器人当前位置的环境数据信息，包括：
[0012] 可选的，所述基于激光传感器以及双目视频采集设备采集所述机器人当前位置的环境数据信息，包括：
[0013] 基于所述激光传感器采集所述机器人至当前环境下周围物体的距离信息和角度信息；
[0014] 基于所述双目视频采集设备对采集的视频图像构成出观测场景的视觉差图；
[0015] 基于所述观测场景的视觉差图确定环境空间结构图；
[0016] 基于所述距离信息、角度信息以及环境空间结构图构建出所述机器人在当前位置的环境数据信息；
[0017] 所述环境数据信息包括障碍物的移动趋势、所述机器人距离障碍物的距离信息、角度信息。
[0018] 可选的，所述基于所述环境数据信息利用深度学习算法对移动障碍物的下一时刻位置进行预测处理，包括：
[0019] 将所述环境数据信息输入训练收敛的深度学习算法对所述移动障碍物的下一时刻位置进行预测处理。
[0020] 可选的，所述基于所述机器人的里程计获得所述机器人当前位置信息，包括：
[0021] 所述机器人读取当前里程计的里程数据信息；
[0022] 将所述里程数据信息结合至所述机器人内置地图信息中获得所述机器人的当前位置信息。
[0023] 可选的，所述基于所述机器人的当前位置信息和所述移动障碍物下一时刻的预测位置生成控制所述机器人规避障碍物的避障控制指令，包括：
[0024] 基于所述机器人的当前位置信息和所述移动障碍物下一时刻的预测位置进行避障路径规划处理，获得所述机器人的避障规划路径；
[0025] 基于所述机器人的避障规划路径生成控制所述机器人规避障碍物的避障控制指令。
[0026] 可选的，所述控制所述机器人规避移动障碍物，还包括：
[0027] 在控制所述机器人规避移动障碍物的过程中，利用所述环境采集设备获得实时环境数据信息，并基于所述实时环境数据信息进行机器人所述机器人规避移动障碍物路径的微调。
[0028] 另外，本发明实施例还提供了一种基于深度学习的机器人避障控制装置，所述装置包括：
[0030] 位置预测模块：用于基于所述环境数据信息利用深度学习算法对移动障碍物的下一时刻位置进行预测处理，获得所述移动障碍物下一时刻的预测位置；
[0031] 位置信息获得模块：用于基于所述机器人的里程计获得所述机器人当前位置信息；
[0032] 控制指令生成模块：用于基于所述机器人的当前位置信息和所述移动障碍物下一时刻的预测位置生成控制所述机器人规避障碍物的避障控制指令；
[0033] 指令响应模块：用于所述机器人控制器响应所述避障控制指令，控制所述机器人规避移动障碍物。
[0034] 在本发明实施例中，基于环境采集设备采集机器人当前位置的环境数据信息；基于环境数据信息利用深度学习算法对移动障碍物的下一时刻位置进行预测处理，获得移动障碍物下一时刻的预测位置；基于机器人的里程计获得所述机器人当前位置信息；基于机器人的当前位置信息和移动障碍物下一时刻的预测位置生成控制机器人规避障碍物的避障控制指令；机器人控制器响应所述避障控制指令，控制机器人规避移动障碍物；可以准确的预测移动障碍物的位置信息，快速生成控制机器人规避移动障碍物的控制指令，以快速控制机器人完成障碍物的规避，提升避障准确度；实现控制机器人安全、高效的规避障碍物的移动。附图说明
[0035] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0036] 图1是本发明实施例中的基于深度学习的机器人避障控制方法的流程示意图；
[0037] 图2是本发明实施例中的基于深度学习的机器人避障控制装置的结构组成示意图。
具体实施方式
[0038] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0039] 实施例
[0040] 请参阅图1，图1是本发明实施例中的基于深度学习的机器人避障控制方法的流程示意图。
[0041] 如图1所示，一种基于深度学习的机器人避障控制方法，所述方法包括：
[0042] S11：基于环境采集设备采集机器人当前位置的环境数据信息；
[0043] 在本发明具体实施过程中，所述基于环境采集设备采集机器人当前位置的环境数据信息，包括：基于激光传感器以及双目视频采集设备采集所述机器人当前位置的环境数据信息。
[0044] 进一步的，所述基于激光传感器以及双目视频采集设备采集所述机器人当前位置的环境数据信息，包括：基于所述激光传感器采集所述机器人至当前环境下周围物体的距离信息和角度信息；基于所述双目视频采集设备对采集的视频图像构成出观测场景的视觉差图；基于所述观测场景的视觉差图确定环境空间结构图；基于所述距离信息、角度信息以及环境空间结构图构建出所述机器人在当前位置的环境数据信息；所述环境数据信息包括障碍物的移动趋势、所述机器人距离障碍物的距离信息、角度信息。
[0045] 具体的，通过激光传感器和双目视频采集设备采集该机器人当前位置的环境数据信息；具体是通过激光传感器采集机器人至当前环境下周围物体的距离信息和角度信息；然后通过双目视频采集设备对采集的视频图像构成出观测场景的视觉差图；通过该观测场景的视觉差图确定环境空间结构图，并根据距离信息、角度信息以及环境空间结构图构建出机器人在当前位置的环境数据信息；该环境数据信息包括障碍物的移动趋势、所述机器人距离障碍物的距离信息、角度信息。
[0046] 在构建视觉差图之前，需要对图像预处理，以利于生成更为明显的视觉差图，在经过大量测试后，高斯滤波算法具有很好的效果，经过高斯滤波后图像纹理明显增强。本领域内技术人员可以理解，为了生成更好的视差图，不排除使用其他预处理算法。以双目视频采集设备建立坐标系，并作为坐标系的原点为左摄像头投影中心，X轴由原点指向右摄像头投影中心，Z轴垂直于摄像机成像平面指向前方，Y轴垂直于X-Z平面箭头向下；经过高斯滤波算法，在经过匹配而得到的视觉差图，视差图上每一个值代表位于摄像头前的某一距离值。视觉差越大表示距离越近，其中灰度值越大的区域亮度越高，表示与摄像头的相对距离越近；在获得视差图后，首先将视觉差图上所有像素点的值归一化到0～255范围内，然后遍历整个视差图，统计每个视差值出现的次数，视差在预设范围内的像素点总个数超过预设阈值时则认为可能是障碍物，例如在占有图片四分之一范围内的同一个像素值的像素点个数为超过100个为障碍物。利用该障碍物判断方法可以检测出障碍物，从而有效避障。在本发明实施例中，可以利用基于傅里叶变换的图像拼接算法，例如两个相邻方向的阻碍壁的图像拼接算法，此算法对两幅待拼接的数字图像进行二维离散傅里叶变换，从而构建观测场景的视觉差图。
[0047] S12：基于所述环境数据信息利用深度学习算法对移动障碍物的下一时刻位置进行预测处理，获得所述移动障碍物下一时刻的预测位置；
[0048] 在本发明具体实施过程中，所述基于所述环境数据信息利用深度学习算法对移动障碍物的下一时刻位置进行预测处理，包括：将所述环境数据信息输入训练收敛的深度学习算法对所述移动障碍物的下一时刻位置进行预测处理。
[0049] 具体的，该深度学习算法可以为深度神经网络模型，通过采集的历史数据输入构建好的深度神经网络模型中进行训练，直至训练后的深度神经网络模型收敛，则为训练好的深度神经网络模型，将该环境数据信息输入训练好的深度神经网络模型中进行预测处理，由输出层输出预测结果；通过深度神经网络模型进行预测，可以在大概率的情况下准确的预测到移动障碍物的下一时刻位置信息。
[0050] S13：基于所述机器人的里程计获得所述机器人当前位置信息；
[0051] 在本发明具体实施过程中，所述基于所述机器人的里程计获得所述机器人当前位置信息，包括：所述机器人读取当前里程计的里程数据信息；将所述里程数据信息结合至所述机器人内置地图信息中获得所述机器人的当前位置信息。
[0052] 具体的，通过机器人内置的数据读取程序读取当前里程计的里程数据，并且调用机器人内置的地图信息；将当前里程计的里程数据结合机器人内置地图信息获得机器人的当前位置信息。
[0053] S14：基于所述机器人的当前位置信息和所述移动障碍物下一时刻的预测位置生成控制所述机器人规避障碍物的避障控制指令；
[0054] 在本发明具体实施过程中，所述基于所述机器人的当前位置信息和所述移动障碍物下一时刻的预测位置生成控制所述机器人规避障碍物的避障控制指令，包括：基于所述机器人的当前位置信息和所述移动障碍物下一时刻的预测位置进行避障路径规划处理，获得所述机器人的避障规划路径；基于所述机器人的避障规划路径生成控制所述机器人规避障碍物的避障控制指令。
[0055] 具体的，根据机器人的当前位置信息和移动障碍物下一时刻的预测位置利用路径优化算法进行避障规划处理，从而可以获得该机器人的避障规划路径；然后通过机器人的避障规划路径生成用于控制该机器人规避障碍物的避障控制指令。
[0056] S15：所述机器人控制器响应所述避障控制指令，控制所述机器人规避移动障碍物。
[0057] 在本发明具体实施过程中，所述控制所述机器人规避移动障碍物，还包括：在控制所述机器人规避移动障碍物的过程中，利用所述环境采集设备获得实时环境数据信息，并基于所述实时环境数据信息进行机器人所述机器人规避移动障碍物路径的微调。
[0058] 在本发明具体实施过程中，该机器人的控制器在接收到该避障控制指令之后，响应该避障控制指令，控制该机器人按照规划的路径规避移动障碍物；并且在该机器人规避移动障碍物的过程中，利用环境采集设备获得实时环境数据信息，并通过该实时环境数据信息进行机器人所述机器人规避移动障碍物路径的微调。
[0059] 在本发明实施例中，基于环境采集设备采集机器人当前位置的环境数据信息；基于环境数据信息利用深度学习算法对移动障碍物的下一时刻位置进行预测处理，获得移动障碍物下一时刻的预测位置；基于机器人的里程计获得所述机器人当前位置信息；基于机器人的当前位置信息和移动障碍物下一时刻的预测位置生成控制机器人规避障碍物的避障控制指令；机器人控制器响应所述避障控制指令，控制机器人规避移动障碍物；可以准确的预测移动障碍物的位置信息，快速生成控制机器人规避移动障碍物的控制指令，以快速控制机器人完成障碍物的规避，提升避障准确度；实现控制机器人安全、高效的规避障碍物的移动。
[0060] 实施例
[0061] 请参阅图2，图2是本发明实施例中的基于深度学习的机器人避障控制装置的结构组成示意图。
[0062] 如图2所示，一种基于深度学习的机器人避障控制装置，所述装置包括：
[0063] 数据采集模块21：用于基于环境采集设备采集机器人当前位置的环境数据信息；
[0064] 在本发明具体实施过程中，所述基于环境采集设备采集机器人当前位置的环境数据信息，包括：基于激光传感器以及双目视频采集设备采集所述机器人当前位置的环境数据信息。
[0065] 进一步的，所述基于激光传感器以及双目视频采集设备采集所述机器人当前位置的环境数据信息，包括：基于所述激光传感器采集所述机器人至当前环境下周围物体的距离信息和角度信息；基于所述双目视频采集设备对采集的视频图像构成出观测场景的视觉差图；基于所述观测场景的视觉差图确定环境空间结构图；基于所述距离信息、角度信息以及环境空间结构图构建出所述机器人在当前位置的环境数据信息；所述环境数据信息包括障碍物的移动趋势、所述机器人距离障碍物的距离信息、角度信息。
[0066] 具体的，通过激光传感器和双目视频采集设备采集该机器人当前位置的环境数据信息；具体是通过激光传感器采集机器人至当前环境下周围物体的距离信息和角度信息；然后通过双目视频采集设备对采集的视频图像构成出观测场景的视觉差图；通过该观测场景的视觉差图确定环境空间结构图，并根据距离信息、角度信息以及环境空间结构图构建出机器人在当前位置的环境数据信息；该环境数据信息包括障碍物的移动趋势、所述机器人距离障碍物的距离信息、角度信息。
[0067] 在构建视觉差图之前，需要对图像预处理，以利于生成更为明显的视觉差图，在经过大量测试后，高斯滤波算法具有很好的效果，经过高斯滤波后图像纹理明显增强。本领域内技术人员可以理解，为了生成更好的视差图，不排除使用其他预处理算法。以双目视频采集设备建立坐标系，并作为坐标系的原点为左摄像头投影中心，X轴由原点指向右摄像头投影中心，Z轴垂直于摄像机成像平面指向前方，Y轴垂直于X-Z平面箭头向下；经过高斯滤波算法，在经过匹配而得到的视觉差图，视差图上每一个值代表位于摄像头前的某一距离值。视觉差越大表示距离越近，其中灰度值越大的区域亮度越高，表示与摄像头的相对距离越近；在获得视差图后，首先将视觉差图上所有像素点的值归一化到0～255范围内，然后遍历整个视差图，统计每个视差值出现的次数，视差在预设范围内的像素点总个数超过预设阈值时则认为可能是障碍物，例如在占有图片四分之一范围内的同一个像素值的像素点个数为超过100个为障碍物。利用该障碍物判断方法可以检测出障碍物，从而有效避障。在本发明实施例中，可以利用基于傅里叶变换的图像拼接算法，例如两个相邻方向的阻碍壁的图像拼接算法，此算法对两幅待拼接的数字图像进行二维离散傅里叶变换，从而构建观测场景的视觉差图。
[0068] 位置预测模块22：用于基于所述环境数据信息利用深度学习算法对移动障碍物的下一时刻位置进行预测处理，获得所述移动障碍物下一时刻的预测位置；
[0069] 在本发明具体实施过程中，所述基于所述环境数据信息利用深度学习算法对移动障碍物的下一时刻位置进行预测处理，包括：将所述环境数据信息输入训练收敛的深度学习算法对所述移动障碍物的下一时刻位置进行预测处理。
[0070] 具体的，该深度学习算法可以为深度神经网络模型，通过采集的历史数据输入构建好的深度神经网络模型中进行训练，直至训练后的深度神经网络模型收敛，则为训练好的深度神经网络模型，将该环境数据信息输入训练好的深度神经网络模型中进行预测处理，由输出层输出预测结果；通过深度神经网络模型进行预测，可以在大概率的情况下准确的预测到移动障碍物的下一时刻位置信息。
[0071] 位置信息获得模块23：用于基于所述机器人的里程计获得所述机器人当前位置信息；
[0072] 在本发明具体实施过程中，所述基于所述机器人的里程计获得所述机器人当前位置信息，包括：所述机器人读取当前里程计的里程数据信息；将所述里程数据信息结合至所述机器人内置地图信息中获得所述机器人的当前位置信息。
[0073] 具体的，通过机器人内置的数据读取程序读取当前里程计的里程数据，并且调用机器人内置的地图信息；将当前里程计的里程数据结合机器人内置地图信息获得机器人的当前位置信息。
[0074] 控制指令生成模块24：用于基于所述机器人的当前位置信息和所述移动障碍物下一时刻的预测位置生成控制所述机器人规避障碍物的避障控制指令；
[0075] 在本发明具体实施过程中，所述基于所述机器人的当前位置信息和所述移动障碍物下一时刻的预测位置生成控制所述机器人规避障碍物的避障控制指令，包括：基于所述机器人的当前位置信息和所述移动障碍物下一时刻的预测位置进行避障路径规划处理，获得所述机器人的避障规划路径；基于所述机器人的避障规划路径生成控制所述机器人规避障碍物的避障控制指令。
[0076] 具体的，根据机器人的当前位置信息和移动障碍物下一时刻的预测位置利用路径优化算法进行避障规划处理，从而可以获得该机器人的避障规划路径；然后通过机器人的避障规划路径生成用于控制该机器人规避障碍物的避障控制指令。
[0077] 指令响应模块25：用于所述机器人控制器响应所述避障控制指令，控制所述机器人规避移动障碍物。
[0078] 在本发明具体实施过程中，所述控制所述机器人规避移动障碍物，还包括：在控制所述机器人规避移动障碍物的过程中，利用所述环境采集设备获得实时环境数据信息，并基于所述实时环境数据信息进行机器人所述机器人规避移动障碍物路径的微调。
[0079] 在本发明具体实施过程中，该机器人的控制器在接收到该避障控制指令之后，响应该避障控制指令，控制该机器人按照规划的路径规避移动障碍物；并且在该机器人规避移动障碍物的过程中，利用环境采集设备获得实时环境数据信息，并通过该实时环境数据信息进行机器人所述机器人规避移动障碍物路径的微调。
[0080] 在本发明实施例中，基于环境采集设备采集机器人当前位置的环境数据信息；基于环境数据信息利用深度学习算法对移动障碍物的下一时刻位置进行预测处理，获得移动障碍物下一时刻的预测位置；基于机器人的里程计获得所述机器人当前位置信息；基于机器人的当前位置信息和移动障碍物下一时刻的预测位置生成控制机器人规避障碍物的避障控制指令；机器人控制器响应所述避障控制指令，控制机器人规避移动障碍物；可以准确的预测移动障碍物的位置信息，快速生成控制机器人规避移动障碍物的控制指令，以快速控制机器人完成障碍物的规避，提升避障准确度；实现控制机器人安全、高效的规避障碍物的移动。
[0081] 本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，ReadOnly Memory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。
[0082] 另外，以上对本发明实施例所提供的一种基于深度学习的机器人避障控制方法及装置进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于双目视觉的桥梁监测方法及系统 | 2020-05-08 | 86 |
| 一种基于虚拟现实与手势识别的远程呈现交互方法和系统 | 2020-05-14 | 254 |
| 一种基于双目视觉对涡轮叶片应变测量的成像装置 | 2020-05-13 | 356 |
| 一种视觉导航无人机的摄像机标定方法及装置 | 2020-05-11 | 504 |
| 一种基于AR技术的物资堆叠方式的预估方法及装置 | 2020-05-11 | 882 |
| 一种基于深度学习的机器人避障控制方法及装置 | 2020-05-12 | 815 |
| 一种用于刚体坐标系空间变换标定的汇聚式双目系统 | 2020-05-11 | 592 |
| 一种基于多对双目相机的视差图像拼接方法 | 2020-05-12 | 688 |
| 基于双目视觉的高低分辨率融合立体匹配方法 | 2020-05-08 | 747 |
| 基于双目视觉和激光雷达融合的深度估计方法 | 2020-05-11 | 848 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈