CN114239850A - 一种基于ai智能识别的用户行为自学习方法 - Google Patents
一种基于ai智能识别的用户行为自学习方法 Download PDFInfo
- Publication number
- CN114239850A CN114239850A CN202111493988.6A CN202111493988A CN114239850A CN 114239850 A CN114239850 A CN 114239850A CN 202111493988 A CN202111493988 A CN 202111493988A CN 114239850 A CN114239850 A CN 114239850A
- Authority
- CN
- China
- Prior art keywords
- user
- learning
- module
- information
- control center
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000006399 behavior Effects 0.000 claims abstract description 50
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 230000008859 change Effects 0.000 claims abstract description 23
- 238000006073 displacement reaction Methods 0.000 claims abstract description 20
- 239000000284 extract Substances 0.000 claims abstract description 8
- 230000009471 action Effects 0.000 claims description 53
- 210000001503 joint Anatomy 0.000 claims description 24
- 238000012217 deletion Methods 0.000 claims description 10
- 230000037430 deletion Effects 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0007—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于AI智能识别的用户行为自学习方法,方法包括如下步骤:步骤S1,先通过信息提取模块提取用户的行为信息,与数据库的已存储用户行为进行数据对比;步骤S2,若数据库已存在行为信息,则停止学习,若数据库不存在行为信息,则进行学习,通过控制中心控制自动学习模块进行自动模块;步骤S3,自动学习模块根据用户形体构建形体轨迹,通过测量单元测量用户发生行为动作时肢体发生的位移变化;步骤S4,控制中心对信息提取模块中的录像信息进行提取存储,对肢体每个部位发生的角度变化进行存储学,本发明能够在学习过程中通过对用户发生动作时的各个关节之间的角度进行分析识别,在进行学习时能够准确的学习,提高学习效果。
Description
技术领域
本发明涉及AI智能识别技术领域,尤其涉及一种基于AI智能识别的用户行为自学习方法。
背景技术
人工智能,英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用***的一门新的技术科学。
人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家***等。人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大,可以设想,未来人工智能带来的科技产品,将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。
现有技术中AI智能对对用户行为不能够准确的进行自主学习,在学习过程中存在很大的差异,AI智能在进行学习后不能够进行准确的展示,难以识别表现出的动作,影响学习效果,因此本发明提出一种基于AI智能识别的用户行为自学习方法。
发明内容
针对现有技术存在的不足,本发明目的是提供一种基于AI智能识别的用户行为自学习方法,能够在用户发生肢体动作时进行录像,与数据库进行对比,判断是否需要学习,在学习过程中通过对用户发生动作时的各个关节之间的角度进行分析识别,在进行学习时能够准确的学习,提高学习效果。
为了实现上述目的,本发明是通过如下的技术方案来实现:一种基于AI智能识别的用户行为自学习方法,所述方法包括如下步骤:
步骤S1,先通过信息提取模块提取用户的行为信息,与数据库的已存储用户行为进行数据对比;
步骤S2,若数据库已存在行为信息,则停止学习,若数据库不存在行为信息,则进行学习,通过控制中心控制自动学习模块进行自动模块;
步骤S3,自动学习模块根据用户形体构建形体轨迹,通过测量单元测量用户发生行为动作时肢体发生的位移变化,并根据位移变化计算出肢体的角度变化;
步骤S4,控制中心对信息提取模块中的录像信息进行提取存储,对肢体每个部位发生的角度变化进行存储学习。
进一步地,所述步骤S1还包括步骤A1,所述步骤A1包括:在用户发生肢体变化,信息提取模块通过传感单元检测到肢体变化,其内部的摄像模块进行录像,通过存储模块存储,信息提取模块内部的提取单元提取存储模块中的存储录像,控制中心接收存储录像与数据库的已存储的行为信息进行对比,判别是否已具有行为信息。
进一步地,所述步骤S1还包括步骤A2,所述步骤A2包括:存储模块对摄像模块输送至的信息进行短暂存储,通过存储模块单元内部的记忆单元记录存储时间,控制中心设置间隔删除时间,到达设定时间,控制中心对存储模块到达存储时间的信息发出删除指令,进行信息删除。
进一步地,所述步骤S3还包括步骤B1,所述步骤B1包括:根据构建的形体轨迹对用户的臂部关节、腿部关节、头部关节长度进行测量,分别得出数据CBGJ1、CBGJ2、CBGJ3......CBGJn,CTGJ1、CTGJ2、CTGJ3......CTGJn,CTBGJ1、CTBGJ2、CTBGJ3......CTBGJn,,通过距离传感器对用户形体发生变化时关节前后变化进行测量,分别得出数据BGJ1、BGJ2、BGJ3......BGJn,TGJ1、TGJ2、TGJ3......TGJn,TBGJ1、TBGJ2、TBGJ3......TBGJn,通过位移传感器对用户形体发生变化时关节左右变化进行测量分别得出数据WBGJ1、WBGJ2、WBGJ3......WBGJn,WTGJ1、WTGJ2、WTGJ3......WTGJn,WTBGJ1、WTBGJ2、WTBGJ3.....WTBGJn,通过位移传感器测量出用户与测量点的距离为L,由此可以测出用户前后运动时各个关节发生的位移变化为:BGJ1-L、BGJ2-L、BGJ-L......BGJn-L,TGJ1-L、TGJ2-L、TGJ3-L.....TGJn-L,TBGJ1-L、TBGJ2-L、TBGJ3-L......TBGJn-L。
进一步地,所述步骤S3还包括步骤B2,所述步骤B2包括:由发生的位移变化以及各个关节的长度,根据所测得的各个参数,通过三角函数公式,计算出各个关节发生移动时的角度,根据关节移动与关节实际长度可构成三角形,设前后移动角度为θ,由此可以得出多个关节的前后移动角度分别为θ1、θ2、θ3......θn,设左右动动角度为β,由此可以得出多个关节的左右移动角度分别为β1、β2、β3......βn,由此可以得出多个关节,位移变化为移动角度的对边,关节长度为移动角度的斜边,由公式由此可以得出前后移动后时每个角度值,由公式 由此可以得出左右移动时每个角度值。
进一步地,所述步骤S4包括:所述控制中心将测得的多个角度值进行存储,分别与对应的关节一一对应,通过图像生成模块生成多组动作图片,并对每个动作图片关节之间的角度进行标注,对每个动作之间的角度进行标注,使之可以对动作进行准确的学习,在进行动作模仿时,直接通过控制中心对每张图片按照顺序进行播放,AI智能根据图片播放顺序对图片中的各个动作的角度进行准确模仿,进行自主的学习模仿。
进一步地,所述控制中心还包括校正模块,校正模块由动作识别单元与警报单元组成,动作识别单元对AI智能模仿时的动作进行动作识别,观察在进行动作学习时是否存在差异,动作出现错误时,动作识别单元将错误信息输送到控制中心,控制中心控制警报单元发出警报。
本发明的有益效果:本发明能够在用户发生肢体动作时进行录像,与数据库进行对比,判断是否需要学习,在学习过程中通过对用户发生动作时的各个关节之间的角度进行分析识别,在进行学习时能够准确的学习,提高学习效果。
本发明通过设置信息提取单元,在用户发生肢体变化时,信息提取模块通过传感单元检测到肢体变化,通过信息提取模块内部的摄像模块进行录像,通过存储模块存储,信息提取模块内部的提取单元提取存储模块中的存储录像,通过存储录像与数据库进行对比,进行分析,判断是否需要学习,通过对已存储录像进行分析,提高分析效果。
本发明通过设置记忆单元,通过存储模块单元内部的记忆单元记录存储时间,到达设定时间,能够通过控制中心对存储模块到达存储时间的信息发出删除指令,进行信息删除,防止存储模块内部存储量过大。
本发明通过对用户的臂部关节、腿部关节、头部关节长度进行测量,通过距离传感器与位移传感器测量关节的前后移动距离和左右移动距离,通过三角函数计算出每个关节发生的角度变化,对每个关节对应的角度变化进行保存,并生成图片,进行精确的学习,大大增大了学习动作的准确性。
本发明通过设置校正模块,在AI智能进行学习时,对学习动作进行进行动作识别,观察在进行动作学习时是否存在差异,动作出现错误时,动作识别单元将错误信息输送到控制中心,控制中心控制警报单元发出警报,进行动作学习的及时矫正。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明一种基于AI智能识别的用户行为自学习方法的方法流程图;
图2为本发明一种基于AI智能识别的用户行为自学习***的***原理框图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
请参阅图1,一种基于AI智能识别的用户行为自学习方法,方法包括如下步骤:
步骤S1,先通过信息提取模块提取用户的行为信息,与数据库的已存储用户行为进行数据对比;
在用户发生肢体变化,信息提取模块通过传感单元检测到肢体变化,其内部的摄像模块进行录像,通过存储模块存储,信息提取模块内部的提取单元提取存储模块中的存储录像,控制中心接收存储录像与数据库的已存储的行为信息进行对比,判别是否已具有行为信息。
存储模块对摄像模块输送至的信息进行短暂存储,通过存储模块单元内部的记忆单元记录存储时间,控制中心设置间隔删除时间,到达设定时间,控制中心对存储模块到达存储时间的信息发出删除指令,进行信息删除
步骤S2,若数据库已存在行为信息,则停止学习,若数据库不存在行为信息,则进行学习,通过控制中心控制自动学习模块进行自动模块;
步骤S3,自动学习模块根据用户形体构建形体轨迹,通过测量单元测量用户发生行为动作时肢体发生的位移变化,并根据位移变化计算出肢体的角度变化;
根据构建的形体轨迹对用户的臂部关节、腿部关节、头部关节长度进行测量,分别得出数据CBGJ1、CBGJ2、CBGJ3......CBGJn,CTGJ1、CTGJ2、CTGJ3......CTGJn,CTBGJ1、CTBGJ2、CTBGJ3......CTBGJn,,通过距离传感器对用户形体发生变化时关节前后变化进行测量,分别得出数据BGJ1、BGJ2、BGJ3......BGJn,TGJ1、TGJ2、TGJ3......TGJn,TBGJ1、TBGJ2、TBGJ3......TBGJn,通过位移传感器对用户形体发生变化时关节左右变化进行测量分别得出数据WBGJ1、WBGJ2、WBGJ3......WBGJn,WTGJ1、WTGJ2、WTGJ3......WTGJn,WTBGJ1、WTBGJ2、WTBGJ3.....WTBGJn,通过位移传感器测量出用户与测量点的距离为L,由此可以测出用户前后运动时各个关节发生的位移变化为:BGJ1-L、BGJ2-L、BGJ-L......BGJn-L,TGJ1-L、TGJ2-L、TGJ3-L.....TGJn-L,TBGJ1-L、TBGJ2-L、TBGJ3-L......TBGJn-L。
由发生的位移变化以及各个关节的长度,根据所测得的各个参数,通过三角函数公式,计算出各个关节发生移动时的角度,根据关节移动与关节实际长度可构成三角形,设前后移动角度为θ,由此可以得出多个关节的前后移动角度分别为θ1、θ2、θ3......θn,设左右动动角度为β,由此可以得出多个关节的左右移动角度分别为β1、β2、β3......βn,由此可以得出多个关节,位移变化为移动角度的对边,关节长度为移动角度的斜边,由公式 由此可以得出前后移动后时每个角度值,由公式 由此可以得出左右移动时每个角度值。
步骤S4,控制中心对信息提取模块中的录像信息进行提取存储,对肢体每个部位发生的角度变化进行存储学习。
控制中心将测得的多个角度值进行存储,分别与对应的关节一一对应,通过图像生成模块生成多组动作图片,并对每个动作图片关节之间的角度进行标注,对每个动作之间的角度进行标注,使之可以对动作进行准确的学习,在进行动作模仿时,直接通过控制中心对每张图片按照顺序进行播放,AI智能根据图片播放顺序对图片中的各个动作的角度进行准确模仿,进行自主的学习模仿。
控制中心还包括校正模块,校正模块由动作识别单元与警报单元组成,动作识别单元对AI智能模仿时的动作进行动作识别,观察在进行动作学习时是否存在差异,动作出现错误时,动作识别单元将错误信息输送到控制中心,控制中心控制警报单元发出警报,AI智能接收到警报信息对学习的动作进行校正,有效防止AI智能在进行动作时动作出现错误,以此实现自主学习的目的。
请参阅图2,一种基于AI智能识别的用户行为自学习方法应用于一种基于AI智能识别的用户行为自学习***,***包括控制中心、数据库、信息提取模块以及自动学习模块,信息提取模块包括传感单元、摄像模块以及存储模块,传感单元检测到用户的肢体变化将数据信息输送到控制中心,控制中心控制摄像模块进行行为动作的录像,摄像模块录制的行为录像经存储模块进行存储,控制中心接收到动作行为信息与数据已存储的行为信息进行比较,存储模块由记忆单元与删除单元组成,存储模块对信息进行存储后,记忆单元记录存储时间,控制中心设置间隔删除时间,到达设定时间,控制中心对存储模块到达存储时间的信息发出删除指令,删除单元将到达设定时间的数据信息进行信息删除。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种基于AI智能识别的用户行为自学习方法,其特征在于,所述方法包括如下步骤:
步骤S1,先通过信息提取模块提取用户的行为信息,与数据库的已存储用户行为进行数据对比;
步骤S2,若数据库已存在行为信息,则停止学习,若数据库不存在行为信息,则进行学习,通过控制中心控制自动学习模块进行自动模块;
步骤S3,自动学习模块根据用户形体构建形体轨迹,通过测量单元测量用户发生行为动作时肢体发生的位移变化,并根据位移变化计算出肢体的角度变化;
步骤S4,控制中心对信息提取模块中的录像信息进行提取存储,对肢体每个部位发生的角度变化进行存储学习。
2.根据权利要求1所述的一种基于AI智能识别的用户行为自学习方法,其特征在于,所述步骤S1还包括步骤A1,所述步骤A1包括:在用户发生肢体变化,信息提取模块通过传感单元检测到肢体变化,其内部的摄像模块进行录像,通过存储模块存储,信息提取模块内部的提取单元提取存储模块中的存储录像,控制中心接收存储录像与数据库的已存储的行为信息进行对比,判别是否已具有行为信息。
3.根据权利要求2所述的一种基于AI智能识别的用户行为自学习方法,其特征在于,所述步骤S1还包括步骤A2,所述步骤A2包括:存储模块对摄像模块输送至的信息进行短暂存储,通过存储模块单元内部的记忆单元记录存储时间,控制中心设置间隔删除时间,到达设定时间,控制中心对存储模块到达存储时间的信息发出删除指令,进行信息删除。
4.根据权利要求3所述的一种基于AI智能识别的用户行为自学习方法,其特征在于,所述步骤S3还包括步骤B1,所述步骤B1包括:根据构建的形体轨迹对用户的臂部关节、腿部关节、头部关节长度进行测量,分别得出数据CBGJ1、CBGJ2、CBGJ3......CBGJn,CTGJ1、CTGJ2、CTGJ3......CTGJn,CTBGJ1、CTBGJ2、CTBGJ3......CTBGJn,,通过距离传感器对用户形体发生变化时关节前后变化进行测量,分别得出数据BGJ1、BGJ2、BGJ3......BGJn,TGJ1、TGJ2、TGJ3......TGJn,TBGJ1、TBGJ2、TBGJ3......TBGJn,通过位移传感器对用户形体发生变化时关节左右变化进行测量分别得出数据WBGJ1、WBGJ2、WBGJ3......WBGJn,WTGJ1、WTGJ2、WTGJ3......WTGJn,WTBGJ1、WTBGJ2、WTBGJ3.....WTBGJn,通过位移传感器测量出用户与测量点的距离为L,由此可以测出用户前后运动时各个关节发生的位移变化为:BGJ1-L、BGJ2-L、BGJ-L......BGJn-L,TGJ1-L、TGJ2-L、TGJ3-L.....TGJn-L,TBGJ1-L、TBGJ2-L、TBGJ3-L......TBGJn-L。
5.根据权利要求4所述的一种基于AI智能识别的用户行为自学习方法,其特征在于,所述步骤S3还包括步骤B2,所述步骤B2包括:由发生的位移变化以及各个关节的长度,根据所测得的各个参数,通过三角函数公式,计算出各个关节发生移动时的角度,根据关节移动与关节实际长度可构成三角形,设前后移动角度为θ,由此可以得出多个关节的前后移动角度分别为θ1、θ2、θ3......θn,设左右动动角度为β,由此可以得出多个关节的左右移动角度分别为β1、β2、β3......βn,由此可以得出多个关节,位移变化为移动角度的对边,关节长度为移动角度的斜边,由公式由此可以得出前后移动后时每个角度值,由公式 由此可以得出左右移动时每个角度值。
6.根据权利要求1所述的一种基于AI智能识别的用户行为自学习方法,其特征在于,所述步骤S4包括:所述控制中心将测得的多个角度值进行存储,分别与对应的关节一一对应,通过图像生成模块生成多组动作图片,并对每个动作图片关节之间的角度进行标注,对每个动作之间的角度进行标注,使之可以对动作进行准确的学习,在进行动作模仿时,直接通过控制中心对每张图片按照顺序进行播放,AI智能根据图片播放顺序对图片中的各个动作的角度进行准确模仿,进行自主的学习模仿。
7.根据权利要求6所述的一种基于AI智能识别的用户行为自学习方法,其特征在于,所述控制中心还包括校正模块,校正模块由动作识别单元与警报单元组成,动作识别单元对AI智能模仿时的动作进行动作识别,观察在进行动作学习时是否存在差异,动作出现错误时,动作识别单元将错误信息输送到控制中心,控制中心控制警报单元发出警报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111493988.6A CN114239850A (zh) | 2021-12-08 | 2021-12-08 | 一种基于ai智能识别的用户行为自学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111493988.6A CN114239850A (zh) | 2021-12-08 | 2021-12-08 | 一种基于ai智能识别的用户行为自学习方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114239850A true CN114239850A (zh) | 2022-03-25 |
Family
ID=80753989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111493988.6A Pending CN114239850A (zh) | 2021-12-08 | 2021-12-08 | 一种基于ai智能识别的用户行为自学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114239850A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825268A (zh) * | 2016-03-18 | 2016-08-03 | 北京光年无限科技有限公司 | 面向机器人学习动作表达的数据处理方法和*** |
CN111152224A (zh) * | 2020-01-10 | 2020-05-15 | 温州大学 | 一种双重寻优的机器人运动轨迹优化方法 |
CN111207758A (zh) * | 2019-12-31 | 2020-05-29 | 广州英卓电子科技有限公司 | 一种基于加速度感应与磁感应的移动轨迹精确测量方法及其装置 |
CN112643667A (zh) * | 2020-09-14 | 2021-04-13 | 深圳市优必选科技股份有限公司 | 一种机器人的运动距离确定方法、装置、设备和存储介质 |
CN112706166A (zh) * | 2020-12-22 | 2021-04-27 | 江苏集萃智能制造技术研究所有限公司 | 一种基于s型与三角函数的多关节同步轨迹规划方法 |
CN112863125A (zh) * | 2020-12-24 | 2021-05-28 | 珠海新天地科技有限公司 | 一种智能报警方法 |
-
2021
- 2021-12-08 CN CN202111493988.6A patent/CN114239850A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825268A (zh) * | 2016-03-18 | 2016-08-03 | 北京光年无限科技有限公司 | 面向机器人学习动作表达的数据处理方法和*** |
CN111207758A (zh) * | 2019-12-31 | 2020-05-29 | 广州英卓电子科技有限公司 | 一种基于加速度感应与磁感应的移动轨迹精确测量方法及其装置 |
CN111152224A (zh) * | 2020-01-10 | 2020-05-15 | 温州大学 | 一种双重寻优的机器人运动轨迹优化方法 |
CN112643667A (zh) * | 2020-09-14 | 2021-04-13 | 深圳市优必选科技股份有限公司 | 一种机器人的运动距离确定方法、装置、设备和存储介质 |
CN112706166A (zh) * | 2020-12-22 | 2021-04-27 | 江苏集萃智能制造技术研究所有限公司 | 一种基于s型与三角函数的多关节同步轨迹规划方法 |
CN112863125A (zh) * | 2020-12-24 | 2021-05-28 | 珠海新天地科技有限公司 | 一种智能报警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446585A (zh) | 目标跟踪方法、装置、计算机设备和存储介质 | |
CN108399367A (zh) | 手部动作识别方法、装置、计算机设备及可读存储介质 | |
CN111063083B (zh) | 门禁控制方法、装置、计算机可读存储介质和计算机设备 | |
CN110610486B (zh) | 单目图像深度估计方法及装置 | |
CN109977971A (zh) | 基于均值偏移与核相关滤波的尺度自适应目标跟踪*** | |
CN106295313A (zh) | 对象身份管理方法、装置和电子设备 | |
CN108839016A (zh) | 机器人巡检方法、存储介质、计算机设备及巡检机器人 | |
CN113449570A (zh) | 图像处理方法和装置 | |
Lin et al. | Keypoint-based category-level object pose tracking from an RGB sequence with uncertainty estimation | |
CN111914598B (zh) | 连续帧人脸关键点检测方法、装置、设备及存储介质 | |
CN114239850A (zh) | 一种基于ai智能识别的用户行为自学习方法 | |
CN111008622B (zh) | 一种图像对象检测方法、装置以及计算机可读存储介质 | |
CN113762051A (zh) | 模型训练方法、图像检测方法、装置、存储介质及设备 | |
CN117593337A (zh) | 群养环境下多目标的猪跟踪方法、装置、设备及介质 | |
KR20200137129A (ko) | 관계형 질의를 이용한 객체 검출방법 및 그 장치 | |
CN116503214A (zh) | 一种体育教学智能体育测试*** | |
CN115527083B (zh) | 图像标注方法、装置和电子设备 | |
CN114093030B (zh) | 一种基于人体姿态学习的射击训练分析方法 | |
CN110210526A (zh) | 预测被测对象的关键点的方法、装置、设备及存储介质 | |
CN111126279B (zh) | 一种手势互动方法及手势互动装置 | |
CN113554034B (zh) | 关键点检测模型构建方法、检测方法、装置、设备及介质 | |
CN112099330B (zh) | 基于外部相机和穿戴式显控设备的全息人体重建方法 | |
CN113805977B (zh) | 测试取证方法及模型训练方法、装置、设备、存储介质 | |
Li et al. | An automatic robot skills learning system from robot’s real-world demonstrations | |
CN111724438B (zh) | 一种数据处理方法、装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |