【技术实现步骤摘要】
【国外来华专利技术】
本公开总体上涉及车辆制造中的机器人操作，并且更具体地但不排他地涉及用于在最终装饰和组装机器人操作中训练神经网络的扩充训练集。
技术介绍
1、在汽车组装的最终装饰和组装(fta)阶段期间可以执行各种操作，包括例如门组装，驾驶舱组装和座椅组装，以及其它类型的组装。然而，由于各种原因，通常只有相对少量的fta任务是自动的。例如，通常在fta阶段期间，当操作者执行fta操作时，经历fta的(多个)车辆在以相对连续的方式移动(多个)车辆的(多个)线路上运输。然而，(多个)车辆的这种连续运动可导致或产生至少关于(多个)车辆的运动和/或位置和/或车辆的在fta中涉及的部分的某些不规则性。此外，这种运动可导致车辆在fta期间经受运动不规则性、振动和平衡问题，这可防止或不利于精确跟踪直接包含在fta中的车辆的特定部件、部分或区域的能力。传统上，基于三维模型的计算机视觉匹配算法需要对初始值进行细微的调整，并且由于诸如改变光照条件、部件颜色改变和上述其它干扰之类的挑战而频繁地失去跟踪。因此，这种关于可重复性的变化和关注常常会妨碍在fta操作中使用机器人运动控制。
2、因此，尽管目前市场上可以获得各种机器人控制系统，但是进一步的改进可以提供一种系统和装置来校准和调整机器人控制系统以适应这种运动不规则性。
技术实现思路
1、本公开的一个实施例是一种用于开发用于车辆制造操作中的神经网络的训练数据的扩充系统。其它实施例包括用于使用仿射变换或生成性对抗网络来生成扩充数据的装置，系统，设备，硬件，方法和
本文档来自技高网...【技术保护点】
1.一种扩充用于神经网络的稀疏训练数据的方法，所述方法包括：
2.根据权利要求1所述的方法，其中所述合成地提供包括将所述第一训练图像集合提供给生成性对抗网络，以生成经训练的生成器网络。
3.根据权利要求2所述的方法，其中提供所述第一训练图像集合还包括提供与所述第一图像集合中的每个图像相关联的至少一个图像参数，其中所述至少一个图像参数包括所述姿态以及光照参数和颜色参数中的至少一个，并且其中所述第一训练图像集合中的每个图像是二维(2D)图像。
4.根据权利要求3所述的方法，其中所述至少一个图像参数包括姿态、光照参数和颜色。
5.根据权利要求3所述的方法，其中所述期望的附加图像集合包括所述期望的附加图像集合中的每个图像的至少一个图像参数中的至少一个，并且所述方法还包括从基于计算机的模型为所述期望的附加图像集合中的每个图像生成原始合成图像，以及将所述经训练的生成器网络应用于所述原始合成图像中的每个图像以提供所述扩充的附加图像集合。
6.根据权利要求1所述的方法，其中对所述第一训练图像集合的操作包括为三个旋转和三个平移中的每一个定
7.根据权利要求6所述的方法，其中定义边界值最大值和边界值最小值包括确保所述边界值最大值和边界值最小值与沿所有六个维度的所有图像的最大和最小方差一致。
8.根据权利要求6所述的方法，还包括沿所述六个维度中的每一个创建多个分区，以形成沿每个轴在相应的边界值最大值和边界值最小值之间形成的多个超八分体。
9.根据权利要求8所述的方法，还包括从所述第一训练图像集合获得图像及其相关联的姿态，其中所述图像和相关联的姿态被认为是图像/姿态对，通过随机抽样在每个超八分体中生成目标点，以及计算从所述第一训练图像集合中的每个图像到所述多个超八分体中的每个超八分体的所述目标点的仿射变换以形成扩充的训练集合。
10.根据权利要求9所述的方法，其中还包括基于所述扩充的训练集合训练神经网络。
11.一种被构造成用于扩充神经网络的初始训练图像集合的装置，所述装置包括：
12.根据权利要求11所述的装置，其中所述控制器还被构造成针对三个旋转和三个平移中的每一个定义边界值最大值和边界值最小值，所述三个旋转和所述三个平移一起定义与图像捕获相关联的六个维度。
13.根据权利要求12所述的装置，其中所述控制器还被构造成将所述边界值最大值和边界值最小值调整为与所述第一训练图像集合中的所有图像沿所有六个维度的平移和旋转的最大和最小方差一致。
14.根据权利要求12所述的装置，其中所述控制器还被构造成沿所述六个维度中的每一个定义多个分区，以形成沿每个轴在相应的边界值最大值和边界值最小值之间形成的多个超八分体。
15.根据权利要求12所述的装置，其中所述控制器还被构造成从所述第一训练图像集合获得图像及其相关联的姿态，其中所述图像和相关联的姿态被认为是图像/姿态对，通过随机抽样在每个超八分体中生成目标点，以及计算从所述第一训练图像集合中的每个图像到所述多个超八分体中的每个超八分体的所述目标点的仿射变换以形成扩充的训练集。
16.根据权利要求15所述的装置，其中所述控制器还被构造成将所述扩充的训练集传递给神经网络并基于所述扩充的训练集训练所述神经网络。
17.根据权利要求11所述的装置，其中所述控制器还被构造成将所述第一训练图像集合提供给生成性对抗网络，以生成经训练的生成器网络。
18.根据权利要求17所述的装置，其中来自所述第一训练图像集合的图像包括所述姿态和至少一个附加图像参数，其中所述至少一个附加图像参数包括光照参数和颜色参数中的至少一个，并且其中所述第一训练图像集合中的每个图像是二维(2D)图像。
19.根据权利要求18所述的装置，其中来自所述第一训练图像集合的每个图像包括所述姿态、光照参数和颜色参数。
20.根据权利要求18所述的装置，其中所述期望的附加图像集合包括所述期望的附加图像集合的每个图像的姿态、光照参数和颜色参数中的至少一个，并且其中所述控制器还被构造成从所述期望的附加图像集合的每个图像的基于计算机的模型生成原始合成图像，并且将所述经训练的生成器网络应用于所述原始合成图像中的每个图像以提供所述扩充的附加图像集合。
...【技术特征摘要】
【国外来华专利技术】
1.一种扩充用于神经网络的稀疏训练数据的方法，所述方法包括：
2.根据权利要求1所述的方法，其中所述合成地提供包括将所述第一训练图像集合提供给生成性对抗网络，以生成经训练的生成器网络。
3.根据权利要求2所述的方法，其中提供所述第一训练图像集合还包括提供与所述第一图像集合中的每个图像相关联的至少一个图像参数，其中所述至少一个图像参数包括所述姿态以及光照参数和颜色参数中的至少一个，并且其中所述第一训练图像集合中的每个图像是二维(2d)图像。
4.根据权利要求3所述的方法，其中所述至少一个图像参数包括姿态、光照参数和颜色。
5.根据权利要求3所述的方法，其中所述期望的附加图像集合包括所述期望的附加图像集合中的每个图像的至少一个图像参数中的至少一个，并且所述方法还包括从基于计算机的模型为所述期望的附加图像集合中的每个图像生成原始合成图像，以及将所述经训练的生成器网络应用于所述原始合成图像中的每个图像以提供所述扩充的附加图像集合。
6.根据权利要求1所述的方法，其中对所述第一训练图像集合的操作包括为三个旋转和三个平移中的每一个定义边界值最大值和边界值最小值，所述三个旋转和所述三个平移一起定义与图像捕获相关联的六个维度。
7.根据权利要求6所述的方法，其中定义边界值最大值和边界值最小值包括确保所述边界值最大值和边界值最小值与沿所有六个维度的所有图像的最大和最小方差一致。
8.根据权利要求6所述的方法，还包括沿所述六个维度中的每一个创建多个分区，以形成沿每个轴在相应的边界值最大值和边界值最小值之间形成的多个超八分体。
9.根据权利要求8所述的方法，还包括从所述第一训练图像集合获得图像及其相关联的姿态，其中所述图像和相关联的姿态被认为是图像/姿态对，通过随机抽样在每个超八分体中生成目标点，以及计算从所述第一训练图像集合中的每个图像到所述多个超八分体中的每个超八分体的所述目标点的仿射变换以形成扩充的训练集合。
10.根据权利要求9所述的方法，其中还包括基于所述扩充的训练集合训练神经网络。
11.一种被构造成用于扩充神经网络的初始训练图像集合的装置，所述装置包...
【专利技术属性】
技术研发人员：张尹维，张飚，乔治·维达尔里巴斯，张岐林，
申请(专利权)人：ABB瑞士股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。