买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉重庆大学申请的专利一种用于将单臂代理的动作扩展到双臂操作的方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119304889B 。

龙图腾网通过国家知识产权局官网在2025-10-31发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411758214.5，技术领域涉及：B25J9/16；该发明授权一种用于将单臂代理的动作扩展到双臂操作的方法及系统是由陈超;任航宇;姚尤斌;古富强;张婉漪;李明妍;龙宪磊;吴全旺;郭松涛;蒲华燕;罗均设计研发完成，并于2024-12-03向国家知识产权局提交的专利申请。

本一种用于将单臂代理的动作扩展到双臂操作的方法及系统在说明书摘要公布了：本发明涉及一种用于将单臂代理的动作扩展到双臂操作的方法及系统，属于机器人控制技术领域。本发明设计了一种将单臂代理的动作扩展到双臂的框架，该框架通过利用单臂数据集实现双臂操作，利用广泛的单臂数据集来促进双臂操作，而不需要额外的双臂数据。本方案引入了一种注意扩展机制，该机制将语义信息嵌入到像素级数据中，允许动态生成动作对。这些动作对所提出的TAN目标分配网络进行处理，该网络在两只机械臂之间分配任务，评估可行性，并选择最优解。此外，该方案在检测到异常时可以无缝过渡到单臂操作，确保任务不间断执行。实验结果表明，本发明提供的技术方案提高了任务效率，同时消除了收集专门的双臂数据的成本。

本发明授权一种用于将单臂代理的动作扩展到双臂操作的方法及系统在权利要求书中公布了：1.一种用于将单臂代理的动作扩展到双臂操作的方法，其特征在于：该方法具体包括以下步骤： S1：构建一个注意力扩展模块，其利用全局的视觉信息o和自然语言指令l，得到第一个拾取点； S2：构建一个物体分割模块，在获取第一个拾取点的基础上，为第一个物体生成掩码； S3：在获取第一个物体掩码的基础上，再次利用注意力扩展模块生成第二个拾取点； S4：构建transport模块，其利用全局的视觉信息、自然语言指令以及第一个拾取点坐标，得到第一个放置点的坐标； S5：在获取第一个放置点的坐标的基础上，再次利用物体分割模块为第一个放置区域生成掩码； S6：在获取第一个放置区掩码的基础上，再次利用transport模块生成第二个放置点； S7：构建一个状态编码器，其利用目标状态图，得到目标状态图的编码特征； S8：构建一个成本编码器，其利用成本矩阵，得到成本矩阵的编码特征； S9：构建一个目标分配模块，其利用状态编码器输出的编码特征和成本编码器输出的编码特征，并结合运动规划库实现有效协调，从而将目标动作分配给对应的机械臂； 在步骤S1中，构建一个注意力扩展模块，其通过将自然语言指令与视觉数据融合，从而得到一个关于第一个物体最佳拾取点的概率图，概率图上拥有最高概率值的那个像素点即为该物体的最佳拾取点，第一个拾取点的坐标由以下公式得到： 其中，Qpick是针对拾取操作的动作价值函数，u,v则是图像上的像素点坐标； 在步骤S2中，构建物体分割模块，在生成的关于第一个拾取点坐标的基础上，以该点为中心裁剪出一个64×64像素大小的裁剪块；该裁剪块可以完全包含第一个物体，紧接着利用SAM获取第一个物体的掩码，将含有第一个物体掩码的全局图像om1作为新的视觉信息用于后续流程的使用； 在步骤S7中，构建一个状态编码器，其通过处理目标状态图中的观察结果来捕捉目标和双臂之间的空间关系，使用MLP和MHSA将任务和机械臂的位置数据嵌入到特征向量中；目标状态图中的目标节点包含了对应物体在笛卡尔坐标系下的动作姿态，即该物体的拾取、放置坐标，用以下公式来表示： T1、T2分别代表了拾取和放置的坐标；目标状态图中的仓库节点包含了对应机械臂的起始位置，用以下公式来表示： Arm1、Arm2分别代表两个机械臂的笛卡尔坐标； 在步骤S8中，构建一个成本编码器，其从成本矩阵中收集执行成本，随着机械臂执行拾取和放置动作，成本矩阵会随着不断变化的工作状态而动态变化；成本矩阵由一个2×2的网格组成，每个网格单元包含了两种成本：移动成本cmv和转移成本ctf，其中，移动成本表示机械臂从当前位置移动到目标物体处的距离；转移成本表示把目标物体从拾取位置转移到放置位置移动的距离；两种成本的求解用以下公式表示： cmv＝||Armk-Tipk||,ctf＝||Tipk-Tipl|| 成本矩阵捕获了从机械臂起始位置到两个动作对的路径长度和相应的转移成本： 其中，costTi,Armj是机械臂从其起始位置移动到拾取位置，然后完成交付的总路径长度；当某个机械臂遭遇了故障，那么本该由这个机械臂执行的动作会被无缝转移至另一个机械臂，以确保动作的不间断执行； 在步骤S9中，构建一个任务分配模块，其使用MHSA层来融合目标节点和成本矩阵的协作信息，接着应用MLP层和概率最大化操作来输出双臂的最佳任务分配策略；整个学习过程通过最小化交叉熵损失函数来优化动作的分配； 目标分配网络最终的输出是基于成本矩阵生成的，其中每个任务各自被分配给执行成本较低的机械臂，目标分配网络的输出表示为： 其中，A1、A2表示两个动作对分别被分配给了机械臂Armj和Armk。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆大学，其通讯地址为：400030 重庆市沙坪坝区沙正街174号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。