[go: up one dir, main page]

CN106027300B - 一种应用神经网络的智能机器人参数优化系统及方法 - Google Patents

一种应用神经网络的智能机器人参数优化系统及方法 Download PDF

Info

Publication number
CN106027300B
CN106027300B CN201610343978.7A CN201610343978A CN106027300B CN 106027300 B CN106027300 B CN 106027300B CN 201610343978 A CN201610343978 A CN 201610343978A CN 106027300 B CN106027300 B CN 106027300B
Authority
CN
China
Prior art keywords
module
parameter
neural network
compression
machine people
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.)
Active
Application number
CN201610343978.7A
Other languages
English (en)
Other versions
CN106027300A (zh
Inventor
简卫
朱奇良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Fei Fei Intelligent Technology Co Ltd
Original Assignee
Shenzhen Fei Fei Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Fei Fei Intelligent Technology Co Ltd filed Critical Shenzhen Fei Fei Intelligent Technology Co Ltd
Priority to CN201610343978.7A priority Critical patent/CN106027300B/zh
Publication of CN106027300A publication Critical patent/CN106027300A/zh
Application granted granted Critical
Publication of CN106027300B publication Critical patent/CN106027300B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/02—Standardisation; Integration
    • H04L41/0246—Exchanging or transporting network management information using the Internet; Embedding network management web servers in network elements; Web-services-based protocols
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Manipulator (AREA)

Abstract

本发明涉及一种应用神经网络的智能机器人参数优化系统及方法，涉及智能机器人参数优化领域。通过云端服务器完成参数优化和压缩过程，从而减少终端机器人的运算量。该系统包括至少一个云端服务器和至少一个终端机器人，所述终端机器人与云端服务器通过网络连接，终端机器人内部嵌入有用于正向传输计算的终端神经网络模块，云端服务器内嵌入有用于根据样本库进行优化参数的云端神经网络模块。该方法包括以下步骤：终端机器人对环境信息和动作指令进行识别和采集；不同云端神经网络模块对不同种类的信息进行参数优化并存储；判断是否对神经网络模块的参数优化过程进行压缩；对优化后的参数进行压缩。本发明适用于智能机器人神经网络模块参数优化。

Description

一种应用神经网络的智能机器人参数优化系统及方法
技术领域
本发明涉及智能机器人领域，具体涉及智能机器人参数优化领域。
背景技术
目前现有的智能机器人大多都是单机版本的，也就是并没有通过远程服务器来实现更好的性能的，这类机器人存在硬件条件不好，硬件成本高、可实现的智能程度不高，用户体验不好的缺陷。
为了克服单机版本机器人的不足，越来越多的云机器人逐渐出现，云机器人是应用的云端的服务器进行服务的。
中国专利发明名称为“云机器人系统及实现方法”，公开号：101973031A，公开日：2011-02-16,利用远程云计算平台直接通过网络发送控制命令。
中国专利发明名称为“一种云机器人系统、机器人和机器人云平台”，公开号：105563484A，公开日：2016-05-11，其中增加了人工坐席模块，而且是通过专用通讯网络实现数据传输。
以上两个专利申请均采用了云机器人技术，其中第一个是通过云端服务器进行终端控制，第二个采用云端服务器运算方式，都能够实现网络连接，但对通讯网络的延时要求很高，网络条件差时会导致服务不可用的情况出现。
同时，由于人工智能的发展，机器学习算法，特别是神经网络等深度学习的算法给机器人产业带来新的生机，比如卷积神经网络(CNN)、递归神经网络(RNN)和深度神经网络(DNN)在语音识别、视觉识别和自然语言处理上带来很大的进步，大大提升了机器人产品的应用价值，特别是服务类智能机器人的用户体验。
但是机器学习算法的优势在于不断使用大量的数据来优化算法的参数，用来训练的数据集数量庞大，而且参数的数量也特别巨大，比如十几层的应用于视觉识别的神经网络的参数是十亿数量级，完成其训练需要的时间和运算资源是非常庞大的。
例如：利用AlexNet图像库来训练一个神经网络，使用dual-socket Xeonprocessors(3TFLOPS的运算能力)需要150个小时，即使使用昂贵的专用于机器学习的GPU服务器也需要2个小时，所以直接在终端机器人上实现深度神经网络训练的成本非常高。
发明内容
本发明所要解决的技术问题是提供一种应用神经网络的智能机器人参数优化系统及方法，目的在于通过云端服务器完成参数优化和压缩过程，从而减少终端机器人的运算量。
本发明解决上述技术问题的技术方案如下：一种应用神经网络的智能机器人参数优化系统，所述系统包括至少一个云端服务器和至少一个终端机器人，所述终端机器人与云端服务器通过网络连接。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述终端机器人包括用于正向传输计算的终端神经网络模块。
进一步，所述终端机器人还包括以下模块的一种或几种：
用于识别语音环境信息的语音识别模块；
用于识别三维环境信息的视觉识别模块；
用于识别方向环境信息的导航模块；
用于根据外界环境进行路径规划的路线规划模块；
用于执行动作指令的动作控制模块；
所述语音识别模块、视觉识别模块、导航模块、路线规划模块和动作控制模块分别连接云端服务器中不同的终端神经网络模块。
采用上述进一步方案的有益效果是通过不同的终端神经网络模块对终端机器人中各模块信息进行优化，减少了运算量，提高了运算的准确性。
进一步，所述云端服务器还包括：
用于根据样本库进行优化参数的云端神经网络模块；
用于根据优化后的参数集以及终端机器人中各模块的硬件信息对云端神经网络模块的参数优化过程进行压缩的压缩模块；
用于对优化参数进行存储的数据存储模块。
进一步，所述压缩模块进一步包括：
用于获取终端机器人的硬件信息的硬件信息获取模块，所述硬件信息包括型号、计算能力以及内存信息；
用于设定是否进行参数压缩的条件压缩条件设定模块；当参数压缩条件介于压缩上限和压缩下限之间时进行参数压缩，所述压缩上限为终端机器人的最大运算能力或内存的百分比，所述压缩下限为云端神经网络模块对参数压缩的最大容错率；
用于根据终端机器人硬件信息对神经网络的参数位数、神经网络的层数、神经网络每层的节点或连接数量中的一种或几种参数进行压缩的参数压缩模块。
采用上述进一步方案的有益效果是通过设定参数压缩的上下限，能够提升用户体验，在保证运算准确性的基础上减少云端服务器的运算量。
进一步，所述压缩模块还包括：
用于根据压缩后的参数和样本库信息获得预算错误率，并将该预算错误率发送至终端机器人的错误率预算模块；
用于判断预算错误率是否大于参数压缩的最大容错率的错误率判断模块，是，则发出警告信息，否，则不作出任何操作。
采用上述进一步方案的有益效果是：终端服务器可以根据上述过程在系统软件上作出相应的设计以提高用户体验。
本发明解决上述技术问题的另一技术方案如下：一种应用神经网络的智能机器人参数优化方法，所述参数优化方法包括以下步骤：
步骤一、对环境信息和动作指令进行识别和采集；
步骤二、对不同种类的信息进行正向传输计算；
步骤三、根据样本库对不同种类的信息进行参数优化并存储；
步骤四、判断是否对优化后的参数进行压缩，是，则执行步骤五，否，则终止执行并发出系统提示；
步骤五、对优化后的参数进行压缩。
进一步，步骤一中识别和采集的环境信息包括语音环境信息、三维环境信息和方向环境信息。
进一步，步骤四中判断是否对优化后的参数进行压缩的过程为：
当参数压缩条件介于压缩上限和压缩下限之间时进行参数压缩，所述压缩上限为终端机器人(1)的最大运算能力或内存的百分比，所述压缩下限为云端神经网络模块(3)对参数压缩的最大容错率。
进一步，步骤五中对优化后的参数进行压缩的过程为：
步骤五一、云端服务器(2)获取终端机器人(1)的硬件信息，所述硬件信息包括型号、计算能力以及内存信息；
步骤五二、根据终端机器人(1)的硬件信息对神经网络的参数位数、神经网络的层数、神经网络每层的节点或连接数量中的一种或几种参数进行压缩；
步骤五三、根据压缩后的参数和样本库信息获得预算错误率，并将该预算错误率发送至终端机器人(1)；
步骤五四、判断预算错误率是否大于参数压缩的最大容错率，是，则发出警告信息，否，则不作出任何操作。
本发明的有益效果是：本发明通过集中使用云端高性能的服务来训练神经网络，将优化好的参数送到所有的终端机器人中，使得可以通过使用更少的硬件资源实现正向运算和应用，一方面有利于降低终端机器人的硬件成本和提升用户体验，另一方面通过集中运算神经网络来应用于所有的终端机器人，大大降低了整个系统的重复计算和运算量，并采用非实时更新参数的方式，减少对网络实时性的依赖。
附图说明
图1为本发明所述的应用神经网络的智能机器人参数优化系统的原理示意图，其中终端机器人的个数为一个，且该终端机器人中包括了语音识别模块、视觉识别模块、导航模块、路线规划模块和动作控制模块中的所有模块；
图2为本发明以深度神经网络为例的系统原理示意图，其中终端机器人的个数为一个，且该终端机器人中包括了语音识别模块、视觉识别模块、导航模块、路线规划模块和动作控制模块中的所有模块。
附图中，各标号所代表的部件列表如下：
1、终端机器人，2、云端服务器，3、云端神经网络模快，4、语音识别模块，5、视觉识别模块，6、导航模块，7、路径规划模块，8、动作控制模块，9、压缩模块，10、存储模块，11、终端神经网络模块。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，本发明提出了一种应用神经网络的智能机器人参数优化系统及方法，所述参数优化即为通过训练数据，对神经网络模型中的参数进行训练的过程。神经网络包含有许多分支，包括卷积神经网络、递归神经网络和深度神经网络，以下就以深度神经网络为例对本发明进行进一步的解释说明。
实施例1
如图2所示，该系统包括至少一个云端服务器2和至少一个终端机器人1，所述终端机器人1与云端服务器2通过网络连接，终端机器人1内部嵌入有用于正向传输计算的终端深度神经网络模块，云端服务器2内嵌入有用于根据样本库进行优化参数的云端深度神经网络模块。
在对参数进行优化时所依据的样本库可以来自终端机器人，也可以来自服务器的存储设备或网络数据等。
终端机器人1包括以下模块的一种或几种：
用于识别语音环境信息的语音识别模块4；
用于识别三维环境信息的视觉识别模块5；
用于识别方向环境信息的导航模块6；
用于根据外界环境进行路径规划的路线规划模块7；
用于执行动作指令的动作控制模块8；
所述语音识别模块4、视觉识别模块5、导航模块6、路线规划模块7和动作控制模块8分别连接云端服务器2中不同的终端深度神经网络模块。
本发明拟用远程的高性能服务器来实现深度神经网络的参数优化，优化后的参数定期非实时的更新到终端机器人上，终端机器人用本地计算资源实现深度神经网络的正向计算，解除了对网络的依赖。
为了能够获得更好的参数优化效果，本发明在云端服务器2中还增加了：
用于根据优化后的参数集以及终端机器人1中各模块的硬件信息对经云端深度神经网络模块优化后的参数进行压缩的压缩模块9；
用于对优化后的参数进行存储的数据存储模块10。
压缩模块9进一步包括：
用于获取终端机器人1的硬件信息的硬件信息获取模块，所述硬件信息包括型号、计算能力以及内存信息；
用于设定是否进行参数压缩的条件压缩条件设定模块；当参数压缩条件介于压缩上限和压缩下限之间时进行参数压缩，所述压缩上限为终端机器人1的最大运算能力或内存的百分比，所述压缩下限为云端深度神经网络模块对参数压缩的最大容错率；
用于根据终端机器人1硬件信息对深度神经网络的参数位数、深度神经网络的层数、深度神经网络每层的节点或连接数量中的一种或几种参数进行压缩的参数压缩模块。
在对参数进行优化过程中，需要对参数的进度进行精简，对每层的节点数根据实际的参数情况进行删减，即为参数压缩，云端服务器获取终端机器人的硬件信息，包括型号、计算能力以及内存信息，再根据这些信息对深度神经网络的参数位数、深度神经网络的层数、深度神经网络每层的节点和连接数量进行优化，并将优化后的参数进行压缩，压缩条件的上限可以为终端机器人的最大运算能力或内存的百分比，压缩条件的下限则是参数优化的最大容错率，可以采用特定场景下的用户体验不受影响为限进行设定，云服务器在优化后的网络中对特定的数据集进行回测，并向终端服务器报告需要的运算能力和可能的错误率，如果错误率超出最大容错率，需要提出警告信息。
实施例2
本实施例提供了一种应用神经网络的智能机器人参数优化方法，同样以深度神经网络为例进行进一步说明，所述参数优化方法包括以下步骤：
步骤一、终端机器人1对环境信息和动作指令进行识别和采集；
步骤二、终端深度神经网络模块对不同种类的信息进行正向传输计算；
步骤三、云端深度神经网络模块根据样本库对不同种类的信息进行参数优化并存储；
步骤四、判断是否对优化后的参数进行压缩，是，则执行步骤五，否，则终止执行并发出系统提示；
步骤五、对优化后的参数进行压缩，并将压缩后的参数发送至终端机器人1。
环境信息包括语音环境信息、三维环境信息和方向环境信息。
步骤四中判断是否对优化后的参数进行压缩的过程为：
当参数压缩条件介于压缩上限和压缩下限之间时进行参数压缩，所述压缩上限为终端机器人1的最大运算能力或内存的百分比，所述压缩下限为云端深度神经网络模块对参数压缩的最大容错率。
步骤五中对优化后的参数进行压缩的过程为：
步骤五一、云端服务器2获取终端机器人1的硬件信息，所述硬件信息包括型号、计算能力以及内存信息；
步骤五二、根据终端机器人1的硬件信息对深度神经网络的参数位数、深度神经网络的层数、深度神经网络每层的节点或连接数量中的一种或几种参数进行压缩；
步骤五三、根据压缩后的参数和样本库信息获得预算错误率，并将该预算错误率发送至终端机器人1；
步骤五四、判断预算错误率是否大于参数压缩的最大容错率，是，则发出警告信息，否，则不作出任何操作。
实施例3
本实施例以将本发明应用于视觉识别信息的参数优化和压缩为例进行说明。
(1)云端服务器上嵌入有实现视觉识别信息的神经网络模块；
(2)云端服务器通过收集数据库，网络上或者来自系统中的终端机器人获取到的带标记图像数据，用于作为训练神经网路的节点参数的输入，通过特定的运算来实现参数的优化计算；
(3)云端服务器实现参数的计算后，根据实际网络参数的结果和目标的终端机器人的计算能力，可以选择是否需要优化整个网络的正向计算，其中包括减少参数精度和网络的节点数和连接，同时也可以选择把参数更新到终端机器人中；
(4)终端机器人使用优化后的参数实现神经网络的正向计算，同时，也可以选择将本地获取的带标记图像送回到云端服务器，作为云端服务器下一轮优化的图像输入；
(5)云端服务器还可以增加某些功能，例如定时，或者根据数据集的更新情况来启动下一轮的参数优化。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种应用神经网络的终端机器人参数优化系统，其特征在于，所述系统包括至少一个云端服务器(2)和至少一个终端机器人(1)，所述终端机器人(1)与云端服务器(2)通过网络连接；
所述云端服务器(2)还包括：
用于根据样本库进行优化参数的云端神经网络模块(3)；
用于根据优化后的参数集以及终端机器人(1)中各模块的硬件信息对经云端神经网络模块(3)优化后的参数进行压缩的压缩模块(9)；
用于对优化后的参数进行存储的数据存储模块(10)；
所述压缩模块(9)进一步包括：
用于获取终端机器人(1)的硬件信息的硬件信息获取模块，所述硬件信息包括型号、计算能力以及内存信息；
用于设定是否进行参数压缩的条件的压缩条件设定模块；当参数压缩条件介于压缩上限和压缩下限之间时进行参数压缩，所述压缩上限为终端机器人(1)的最大运算能力或内存的可用百分比，所述压缩下限为云端神经网络模块(3)对参数压缩的最大容错率；
用于根据终端机器人(1)硬件信息对神经网络的参数位数、神经网络的层数、神经网络每层的节点或连接数量中的一种或几种参数进行压缩的参数压缩模块；
所述压缩模块(9)还包括：
用于根据压缩后的参数和样本库信息获得预算错误率，并将该预算错误率发送至终端机器人(1)的错误率预算模块；
用于判断预算错误率是否大于参数压缩的最大容错率的错误率判断模块，是，则发出警告信息，否，则不作出任何操作。
2.根据权利要求1所述的一种应用神经网络的终端机器人参数优化系统，其特征在于，所述终端机器人(1)包括用于正向传输计算的终端神经网络模块(11)。
3.根据权利要求1所述的一种应用神经网络的终端机器人参数优化系统，其特征在于，终端机器人(1)还包括以下模块中的一种或几种：
用于识别语音环境信息的语音识别模块(4)；
用于识别三维环境信息的视觉识别模块(5)；
用于识别方向环境信息的导航模块(6)；
用于根据外界环境进行路径规划的路线规划模块(7)；
用于执行动作指令的动作控制模块(8)；
所述语音识别模块(4)、视觉识别模块(5)、导航模块(6)、路线规划模块(7)和动作控制模块(8)分别连接不同的终端神经网络模块(11)。
4.一种应用神经网络的终端机器人参数优化方法，其特征在于，所述参数优化方法包括以下步骤：
步骤一、对环境信息和动作指令进行识别和采集；
步骤二、对不同种类的信息进行正向传输计算；
步骤三、根据样本库对不同种类的信息进行参数优化并存储；
步骤四、判断是否对优化后的参数进行压缩，是，则执行步骤五，否，则终止执行并发出系统提示；
步骤五、对优化后的参数进行压缩；
步骤四中判断是否对优化后的参数进行压缩的过程为：
当参数压缩条件介于压缩上限和压缩下限之间时进行参数压缩，所述压缩上限为终端机器人(1)的最大运算能力或内存的可用百分比，所述压缩下限为云端神经网络模块(3)对参数压缩的最大容错率；
步骤五中对优化后的参数进行压缩的过程为：
步骤五一、云端服务器(2)获取终端机器人(1)的硬件信息，所述硬件信息包括型号、计算能力以及内存信息；
步骤五二、根据终端机器人(1)的硬件信息对神经网络的参数位数、神经网络的层数、神经网络每层的节点或连接数量中的一种或几种参数进行压缩；
步骤五三、根据压缩后的参数和样本库信息获得预算错误率，并将该预算错误率发送至终端机器人(1)；
步骤五四、判断预算错误率是否大于参数压缩的最大容错率，是，则发出警告信息，否，则不作出任何操作。
5.根据权利要求4所述的一种应用神经网络的终端机器人参数优化方法，其特征在于，步骤一中识别和采集的环境信息包括语音环境信息、三维环境信息和方向环境信息中的一种或几种。
CN201610343978.7A 2016-05-23 2016-05-23 一种应用神经网络的智能机器人参数优化系统及方法 Active CN106027300B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610343978.7A CN106027300B (zh) 2016-05-23 2016-05-23 一种应用神经网络的智能机器人参数优化系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610343978.7A CN106027300B (zh) 2016-05-23 2016-05-23 一种应用神经网络的智能机器人参数优化系统及方法

Publications (2)

Publication Number Publication Date
CN106027300A CN106027300A (zh) 2016-10-12
CN106027300B true CN106027300B (zh) 2019-03-05

Family

ID=57096229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610343978.7A Active CN106027300B (zh) 2016-05-23 2016-05-23 一种应用神经网络的智能机器人参数优化系统及方法

Country Status (1)

Country Link
CN (1) CN106027300B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106873585B (zh) * 2017-01-18 2019-12-03 上海器魂智能科技有限公司 一种导航寻路方法、机器人及系统
CN106972959A (zh) * 2017-03-15 2017-07-21 千寻位置网络有限公司 一种传感器算法的在线服务化方法及系统
CN109102074B (zh) * 2017-06-21 2021-06-01 上海寒武纪信息科技有限公司 一种训练装置
US11321604B2 (en) * 2017-06-21 2022-05-03 Arm Ltd. Systems and devices for compressing neural network parameters
CN109685088A (zh) * 2017-10-18 2019-04-26 上海仪电（集团）有限公司中央研究院 基于云端分离卷积神经网络的窄带通信智能图像分析系统
CN107766889B (zh) * 2017-10-26 2021-06-04 浪潮集团有限公司 一种云端边缘计算融合的深度学习计算系统和方法
CN107797867A (zh) * 2017-10-31 2018-03-13 济南浪潮高新科技投资发展有限公司 一种增强边缘侧智能计算能力的方法及装置
US11468312B2 (en) * 2018-02-02 2022-10-11 Samsung Electronics Co., Ltd. Memory management for machine learning training on GPU
CN112136141B (zh) * 2018-03-23 2024-12-17 谷歌有限责任公司 基于自由形式自然语言输入控制机器人
CN109543829A (zh) * 2018-10-15 2019-03-29 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 在终端和云端上混合部署深度学习神经网络的方法和系统
US11584020B2 (en) * 2018-12-04 2023-02-21 Cloudminds Robotics Co., Ltd. Human augmented cloud-based robotics intelligence framework and associated methods
CN109902818B (zh) * 2019-01-15 2021-05-25 中国科学院信息工程研究所 一种面向深度学习训练任务的分布式加速方法及系统
CN109746918B (zh) * 2019-02-14 2021-08-13 中山大学 一种联合优化的云机器人系统延时的优化方法
CN109993308B (zh) * 2019-03-29 2024-05-24 深圳先进技术研究院 基于云平台共享学习系统及方法、共享平台及方法、介质
CN111954206B (zh) * 2019-05-17 2024-04-09 株式会社Ntt都科摩 终端和基站
CN110427536B (zh) * 2019-08-12 2022-03-04 深圳忆海原识科技有限公司 一种类脑决策与运动控制系统
CN113076965A (zh) * 2020-01-06 2021-07-06 广州中国科学院先进技术研究所 一种基于云端的服务机器人场景分类系统及方法
CN113470653B (zh) * 2020-03-31 2024-10-18 华为技术有限公司 声纹识别的方法、电子设备和系统
CN113222530A (zh) * 2021-04-22 2021-08-06 北京洛必德科技有限公司 一种机器人与环境协同工作系统
CN116720567A (zh) * 2022-02-28 2023-09-08 华为技术有限公司 一种模型优化方法以及相关设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101973031A (zh) * 2010-08-24 2011-02-16 中国科学院深圳先进技术研究院 云机器人系统及实现方法
CN102253644A (zh) * 2010-05-17 2011-11-23 无锡爱德普信息技术有限公司 一种可配置型智能制程控制系统及其实现方法
CN105550713A (zh) * 2015-12-21 2016-05-04 中国石油大学(华东) 一种持续学习的视频事件检测方法
CN105563484A (zh) * 2015-12-08 2016-05-11 深圳前海达闼云端智能科技有限公司 一种云机器人系统、机器人和机器人云平台

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102253644A (zh) * 2010-05-17 2011-11-23 无锡爱德普信息技术有限公司 一种可配置型智能制程控制系统及其实现方法
CN101973031A (zh) * 2010-08-24 2011-02-16 中国科学院深圳先进技术研究院 云机器人系统及实现方法
CN105563484A (zh) * 2015-12-08 2016-05-11 深圳前海达闼云端智能科技有限公司 一种云机器人系统、机器人和机器人云平台
CN105550713A (zh) * 2015-12-21 2016-05-04 中国石油大学(华东) 一种持续学习的视频事件检测方法

Also Published As

Publication number Publication date
CN106027300A (zh) 2016-10-12

Similar Documents

Publication Publication Date Title
CN106027300B (zh) 一种应用神经网络的智能机器人参数优化系统及方法
CN107181818B (zh) 基于云平台的机器人远端控制和管理系统及方法
CN114442510A (zh) 数字孪生闭环控制方法、系统、计算机设备及存储介质
CN115457006A (zh) 基于相似一致性自蒸馏的无人机巡检缺陷分类方法及装置
CN109961160B (zh) 一种基于潮流参数的电网未来运行趋势预估方法及系统
CN108764456B (zh) 机载目标识别模型构建平台、机载目标识别方法及设备
CN112230154A (zh) 一种锂电池剩余寿命预测方法
CN109241268A (zh) 一种相似信息推荐方法、装置、设备及存储介质
CN109389120A (zh) 一种基于zynqMP的目标检测装置
CN112541584A (zh) 深度神经网络模型并行模式选择方法
CN118350593A (zh) 一种模块化集成建筑的智能施工方法、系统、设备和介质
CN108959388A (zh) 信息生成方法及装置
CN105631598A (zh) 基于群集类缺陷的电力设备缺陷分析方法
CN110992307A (zh) 基于yolo的绝缘子定位识别方法及装置
JP2024528419A (ja) 対象検出モデルの更新方法および装置
CN116957165A (zh) 电厂施工工期进度优化方法
CN115758643A (zh) 一种基于时空特征融合的网络流量预测方法、装置及存储介质
CN119141553A (zh) 多机械臂路径规划方法、控制方法、存储介质和电子设备
CN109919302A (zh) 一种神经网络训练方法及装置
CN109709985A (zh) 一种无人机任务优化方法、装置及系统
CN117035376A (zh) 一种应急救援演习动态监测方法、系统及介质
CN112395952A (zh) 一种用于铁轨缺陷检测的无人机
CN115171012B (zh) 一种建材智能计数方法及计数设备
CN116050548B (zh) 一种联邦学习方法、装置及电子设备
CN115577318B (zh) 基于半实物的数据融合评估方法、系统、设备及储存介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant