会员体验
专利管家(专利管理)
工作空间(专利管理)
风险监控(情报监控)
数据分析(专利分析)
侵权分析(诉讼无效)
联系我们
交流群
官方交流:
QQ群: 891211   
微信请扫码    >>>
现在联系顾问~
热词
    • 4. 发明申请
    • VERIFIKATION EINER POSITION EINES MANIPULATORSYSTEMS
    • 验证机器人系统的位置
    • WO2017067626A1
    • 2017-04-27
    • PCT/EP2016/001596
    • 2016-09-26
    • KUKA ROBOTER GMBH
    • WALTHER, Steffen
    • B25J9/16
    • B25J9/1676G05B2219/31005G05B2219/39082G05B2219/40202G05B2219/40203Y02P90/285
    • Die vorliegende Erfindung betrifft ein Verfahren zum Betreiben eines Manipulatorsystems (1), welches insbesondere ein fahrerloses Transportsystem umfassen kann. Ein Schutzfeld des Manipulatorsystems (1) wird dabei mittels einer Überwachungseinrichtung (2) überwacht. Gemäß des Verfahrens wird eine Systemposition und/oder Systemorientierung des Manipulatorsystems bestimmt, und Umgebungsinformation (3) betreffend eine Umgebung des Manipulatorsystems bereitgestellt. Ferner wird ein erstes (4) und ein zweites (5) Schutzfeld basierend auf der Umgebungsinformation (3) und der bestimmten Systemposition und/oder -Orientierung gebildet. Basierend auf zumindest einer Verletzungsinformation für das erste (4) und das zweite (5) Schutzfeld wird die bestimmte Systemposition und/oder Systemorientierung (6) des Manipulatorsystems (1) verifiziert.
    • 本发明涉及一种用于操作机械手系统(1)的方法,所述机械手系统(1)尤其可以包括无人驾驶运输系统。 借助于监控装置(2)监控机械手系统(1)的保护区域。 宝石Ä大街 确定机械手系统的系统位置和/或系统方位,并且提供与机械手系统的环境有关的环境信息(3)。 此外,基于环境信息(3)和确定的系统位置和/或取向来形成第一(4)和第二(5)保护区域。 基于用于第一(4)和第二(5)保护区域的至少一个伤害信息,验证操纵器系统(1)的特定系统位置和/或系统定向(6)。
    • 5. 发明申请
    • SEMI-OPTIMAL PATH FINDING IN A WHOLLY UNKNOWN ENVIRONMENT
    • SEMI优化路径在一个完整的未知环境中寻找
    • WO01078951A1
    • 2001-10-25
    • PCT/JP2000/002427
    • 2000-04-13
    • G05D1/02B25J9/16
    • G05D1/0221G05B2219/31005G05B2219/40473G05B2219/40499G05B2219/40501G05D2201/0207Y02P90/285
    • A mobile robot, which is guided by a new learning algorithm is presented. The first task for the robot is searching a path like a human being. That is, finding a semi-optimal path to a given goal in a wholly unknown, unpredictable and partly, dynamic large-scale environment. Therefore, it demands high technique of environment modeling through learning. Because the robot should realize its missions within the framework of the task knowledge, there appears a new phenomenon and a Dead Corner theory: genetic algorithm and reinforcement learning algorithm are the basis for the presented theory. Powerful methods are described in the mathematics tool of MDP models. The essential method of the sub-goal method is similar with the Sub-goal method of Options over MDP theory and has been successfully proved. The presented theory is a refined theory of A Learning Classifier System theory. Most of the theory has been proved in a visualization platform of an animation simulator.
    • 介绍了一种由新的学习算法引导的移动机器人。 机器人的第一个任务是搜索人类的路径。 也就是说,在一个完全未知的,不可预测的,部分动态的大规模环境中找到一个给定目标的半最佳路径。 因此,通过学习需要高度的环境建模技术。 由于机器人在任务知识框架下实现其任务,出现了一种新现象和死角理论:遗传算法和强化学习算法是提出的理论的基础。 在MDP模型的数学工具中描述了强大的方法。 子目标法的基本方法与选项超过MDP理论的子目标方法相似,已经成功证明。 所提出的理论是A学习分类器系统理论的精细理论。 大多数理论已经在动画模拟器的可视化平台中被证明。