【技术实现步骤摘要】
本专利技术涉及深度学习，具体而言，涉及一种基于深度学习的目标协同控制方法及系统。
技术介绍
1、在工业自动化领域，针对复杂场景下的物体精准操作需求，传统技术方案存在显著局限性。现有视觉引导操作系统多采用单目摄像头或固定视角传感器阵列，导致在物体遮挡、光照变化或非结构化环境中出现特征缺失或误识别问题。典型的基于深度学习的目标检测方法虽能提取二维图像特征，但缺乏空间维度关联机制，难以直接映射至三维操作空间。对于需要精确位姿控制的抓取任务，传统方案通常依赖预先建模的物体模板库或离线标定参数，无法适应动态变化的作业场景。此外，末端执行器控制策略普遍采用固定参数驱动模式，未建立物体物理属性与操作力度的关联模型，导致在处理不同材质、形状或重量的物体时易出现夹持失效或表面损伤。
技术实现思路
1、鉴于上述提及的问题，结合本专利技术的第一方面，本专利技术实施例提供一种基于深度学习的目标协同控制方法，所述方法包括：
2、通过图像采集装置获取目标区域的实时多视角图像数据，所述实时多视角图像数据包含...
【技术保护点】
1.一种基于深度学习的目标协同控制方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度学习的目标协同控制方法，其特征在于，所述调用实时识别模型对所述实时多视角图像数据进行物体特征识别，得到所述待操作物体的特征分布数据，包括：
3.根据权利要求1所述的基于深度学习的目标协同控制方法，其特征在于，所述对所述特征分布数据进行校准处理，生成所述待操作物体在三维空间坐标系下的坐标数据，包括：
4.根据权利要求3所述的基于深度学习的目标协同控制方法，其特征在于，所述根据预设的基准参照特征，对所述特征分布数据中的位置偏移量进行补偿处...
【技术特征摘要】
1.一种基于深度学习的目标协同控制方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度学习的目标协同控制方法，其特征在于，所述调用实时识别模型对所述实时多视角图像数据进行物体特征识别，得到所述待操作物体的特征分布数据，包括：
3.根据权利要求1所述的基于深度学习的目标协同控制方法，其特征在于，所述对所述特征分布数据进行校准处理，生成所述待操作物体在三维空间坐标系下的坐标数据，包括：
4.根据权利要求3所述的基于深度学习的目标协同控制方法，其特征在于，所述根据预设的基准参照特征，对所述特征分布数据中的位置偏移量进行补偿处理，得到补偿后的特征位置数据，包括：
5.根据权利要求3所述的基于深度学习的目标协同控制方法，其特征在于，所述将所述补偿后的特征位置数据映射到图像坐标系下的目标网格区域，提取所述目标网格区域内的特征点集合，包括：
6.根据权利要求3所述的基于深度学习的目标协同控制方法，其特征在于，所述...
【专利技术属性】
技术研发人员：祝小梅，邱龙飞，何昌亮，赵珊，陈艳梅，
申请(专利权)人：四川吉利学院，
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。