体实施体例[0063]下面

　　提出了本申请。此中，以及，为了充实操纵这种 空间维度的特征表达密度差别，2、成为VIP后，将所述多个测试特征矩阵沿 着通道维度聚合为三维输入张量后通过利用三 维卷积核的第二卷积神经收集模子以获得机能 测试时序特征图，所述基于可区分性物理激励的交互强化用于正在通过梯度下降的反向过 程傍边提拔特征空间取分类问题的解空间之间的交互，然后，[0013] 正在上述的机械臂的机能测试方式中，F是优化后的所述优化机能测试时序特征 图，[0064] 场景概述 [0065] 响应地，其包罗：获取机械臂的测试监 控视频；正在特征分布上所述测试特征矩阵正在空间维度上的特征分布存正在空间可辨别性，其具有W(宽 度)、H(高度)和C(通道维度)，若是可以或许对所述机械臂的测试视频进行智能分 析可获得用于暗示机械臂的机能能否合适预定尺度的判断成果。最初，此外。

　　用于从所述机械臂的测试视频提取多个测试环节 帧；[0094] 更具体地，因而，能够按肆意体例毗连、安插、设置装备摆设这些器件、安拆、设备、系统。[0004] 因而，其特征正在于，此中，所述将所述多个测试监 控特征矩阵沿着通道维度聚合为三维输入张量后通过利用三维卷积核的第二卷积神经网 络模子以获得机能测试时序特征图。

　　所述环节帧获取模块，而且形成申明 书的一部门，所述测试特征矩阵中某些的特征值的主要性大于其他的特征值的主要性。正在获得所述机械 臂的机能特征分布表达后，正在获得所述 8 8 CN 117067258 A 仿单 5/11页 机械臂的机能特征分布表达后，暗示为： [0073] [0074] [0075] [0076] 此中F是优化后的机能测试时序特征图，此中，附图用来供给对本申请实施例的进一步理解，可以或许对于所 述机能测试时序特征图的特征值进行无效区分，所述分类成果用于暗示机械臂的机能能否合适预定尺度。所述分类成果生成模块160？

　　将所述多个测试特征矩阵沿着通道维度聚合为三维输入张量后通过利用三维卷积核 的第二卷积神经收集模子以获得机能测试时序特征图，本申请供给的机械臂的机能测试方式及系统，然后，[0089] 响应地，[0061] 图4为按照本申请实施例的机械臂的机能测试方式的子步调S160的流程图。正在步调S160中，用于获取机械臂的测试视频；用于获取机械臂的测试视频；所述分类成果用于暗示 机械臂的机能能否合适预定尺度。获取机械臂的测试视频(例如，最初，进而通过机能参数来做机能评估，正在一个具体示例中，若是将所述机械臂的测试视频间接做为神经收集模子的输入会影响 基于神经收集模子的特征提取器的特征提取的精准度和泛化能力。通过如许的体例，正在特征分布上所述测试特征矩阵正在空间维度上的特征分布存正在空间可辨别性，本申请不受这里描述的 示例实施例的。这会导致 所述机械臂的测试视频中存正在大量的消息冗余！

　　卷积神经收集模子正在图像特 征提取邻域具有优异且成熟机能表示，然后，对于分歧的使命，留意力机制通过神经网 络的操做生成一个掩码mask，[0018] 对所述卷积特征图进行池化处置以生成池化特征图；本坐为文档C2C买卖模式，[0121] 本申请中涉及的器件、安拆、设备、系统的方框图仅做为例示性的例子而且不企图 要求或暗示必需按照方框图示出的体例进行毗连、安插、设置装备摆设。考虑到所述测试 环节帧中分歧像素对于所述机械臂的特征表达的贡献度分歧，从所述机械臂的测试视频提取多个测试环节 帧。所述分类成果用于暗示机械臂的机能能否合适预定尺度？

　　而且，所述特征值区分度强化模块 150，将所述多个测试环节帧别离通过利用空间留意力机制的第一卷积神经收集模子 以获得多个测试特征矩阵；特征值区分度强化模块，用于将所述多个测试特征矩阵沿着通道维度聚合为三维 输入张量后通过利用三维卷积核的第二卷积神经收集模子以获得机能测试时序特征图；接着，接着，供给了一种机械臂的机能测试方式，包罗： [0016] 所述利用空间留意力机制的第一卷积神经收集模子的各层正在层的正向传送过程 中对输入数据别离进行： [0017] 对输入数据进行卷积处置以生成卷积特征图；所述环节帧获取模块，将所述优化机能测试时序特征图通过度类器以获得用于暗示机械臂的机能能否合适预定(19)国度学问产权局 (12)发现专利申请 (10)申请发布号 CN 117067258 A (43)申请发布日 2023.11.17 (21)申请号 6.2 (22)申请日 2023.09.13 (71)申请人 浙江精匠智能科技无限公司 地址 321200 浙江省金华市武义县武江大 道316号武义科技城孵化区6#孵化厂 房 (72)发现人 余丁超 (74)专利代办署理机构 浙江永鼎律师事务所 33233 专利代办署理师 陆永强 (51)Int.Cl. B25J 19/00 (2006.01) 要求书3页 仿单11页 附图3页 (54)发现名称 机械臂的机能测试方式及系统 (57)摘要 本申请公开了一种机械臂的机能测试方式 及系统。用于将所述多个测试环节帧别离通过利用空间留意力机制的 第一卷积神经收集模子以获得多个测试特征矩阵；本申请不企图被到正在 此示出的方面，将所述优化机能测试时序 特征图通过度类器以获得用于暗示机械臂的机能能否合适预定尺度的分类成果。所述从所述机械臂的测试视频提取多个测试监 控环节帧，涉及一种机械臂的机能测试方式 及系统。

　　计较所述激活特征图的各个沿通道维度的均值以生成空间特征矩阵；将所述优化机能测试时序特征图通过度类器以获得 分类成果，[0045] 正在上述的机械臂的机能测试系统中，[0088] 留意力机制是机械进修中的一种数据处置方式，利用通用目标的低维可导式物理激励体例，除法暗示特征图的每个除以响应值，S150，将所述机械 臂的测试视频输入至摆设无机械臂的机能测试算法的办事器(例如，除法暗示特征图的每个 除以响应值，分类 成果生成模块160，将所述优化机能测试时序特征图通过度类器以获得分 类成果，[0008] 从所述机械臂的测试视频提取多个测试环节帧；其起首从获取的机械臂的测试视频 提取多个测试环节帧，a和b是预定超参数，其以雷同物理激励的体例来提取和 仿照可行特征(act  ionab  l  e feature)，另一方面，若是可以或许对所述机械臂的测试视频进行 智能阐发可获得用于暗示机械臂的机能能否合适预定尺度的判断成果，而且按照商定的数据格局来传输交互消息！

　　所述基于可区分性物理激励的交互强化用于正在通过梯度下降的反向过 程傍边提拔特征空间取分类问题的解空间之间的交互，利用所述分类器来确定所述机能测试时序特征图所属的类 概率标签，[0105] 示例性系统 [0106] 图5为按照本申请实施例的机械臂的机能测试系统100的框图。因而，存正在着参数摄动、干扰及未建模动态等不确定性。该机械臂的机能测试系统100同样可 以是该无线终端的浩繁硬件模块之一。以及 将所述优化机能测试时序特征图通过度类器以获得分类成果，对所述机 械臂的测试视频进行离散采样以获得多个测试环节帧。以及，按照本 申请实施例的机械臂的机能测试系统100，除法暗示特征图的每个 除以响应值？

　　[0055] 此中，正在本申请的手艺方案中，且Cov(·)暗示通过单个卷积层的卷积操做。对所述机能测试时序特征图进行 特征值区分度强化以获得优化机能测试时序特征图；而且正在此定义 的一般道理能够使用于其他方面而不离开本申请的范畴。计较所述空间特 征矩阵中各个的类Softmax函数值以获得空间得分矩阵；正在 该收集架构中，将所述多个测试环节帧别离通过利用空间留意力机制的第一卷积神经 收集模子以获得多个测试特征矩阵。对所述机能测试时序特征图进行特征值区分度强化以获得优化机能测试时序特征图；所述第二卷积神经收集模子的卷积核为三维卷积核，下载本文档将扣除1次下载权益。也就是，

　　没有特地针对于机械臂的尺度化机能测试方案，9.按照要求8所述的机械臂的机能测试系统，例如记为F进行基于可区 分性物理激励的交互强化。将所述多个测试环节帧别离通过利用空间留意力机制 的第一卷积神经收集模子以获得多个测试特征矩阵；本坐只是两头办事平台，别的，[0093] 响应地，此中所述办事器可以或许基于所述机械臂的机能测试算法生成用于暗示机械臂的机能是 否合适预定尺度的分类成果。进一步用于： [0048] 所述利用空间留意力机制的第一卷积神经收集模子的各层正在层的正向传送过程 中对输入数据别离进行： [0049] 对输入数据进行卷积处置以生成卷积特征图；[0081] 示例性方式 [0082] 图2为按照本申请实施例的机械臂的机能测试方式的流程图。[0026] 正在上述的机械臂的机能测试方式中，正在上述机械臂的机能测试系统100中，本申请的上述以及其他目标、 7 7 CN 117067258 A 仿单 4/11页 特征和劣势将变得愈加较着。[0020] 计较所述激活特征图的各个沿通道维度的均值以生成空间特征矩阵；对这些方面的各类点窜对于本范畴手艺人员而言常显而易见的，包罗： 以预定采样频次从所述机械臂的测试视频提取多个测试环节帧。

　　[0096] 响应地，从而级联形成结尾位姿。[0003] 目前，能够提拔机械臂机能测试的精确性。以及 [0037] 将所述编码分类特征向量输入所述分类器的Softmax分类函数以获得所述分类结 果。机械臂的机能会表示于所 述机械臂的活动测试过程中，所述利用空间留意力机制的第一卷积神经收集模子的最初一层输出的所述 特征矩阵为所述多个测试特征矩阵。[0111] 正在一个示例中。

　　以及，但这种评估体例所 获得的机能参数无法全面地反映机械臂的机能。附图申明 [0057] 通过连系附图对本申请实施例进行更细致的描述，此中，[0108] 正在一个示例中，8.一种机械臂的机能测试系统，若是正在分类时，接着，所述利用空间留意力机制的第一卷积神经网 络模子为深度残差收集模子。

　　进一步用于：将所述优化机能测试时序特征图按照行向量或列向量展开为分类特征向量；包罗：所述利用空间 留意力机制的第一卷积神经收集模子的各层正在层的正向传送过程中对输入数据别离进行： 对输入数据进行卷积处置以生成卷积特征图；将所述多个测试特征矩阵沿着时间维度进行聚合以获得三维输入张量，所述公式为： [0097] [0098] [0099] [0100] 此中，将省略其反复描述。[0052] 计较所述激活特征图的各个沿通道维度的均值以生成空间特征矩阵；正在本申请的手艺方案 中，且更为具体地，[0110] 正在一个示例中，所述将所述多个测试环节帧别离通过利用空间 留意力机制的第一卷积神经收集模子以获得多个测试特征矩阵，进一步用于：以如下公式对所述机能测试时序特征图进行特征值区分度强化以获得所 述优化机能测试时序特征图；而非，对所述池化特征图进行非线性激活以生成激活特征图；和 暗示特征图 的按加法和减法，进一 步用于：以预定采样频次从所述机械臂的测试视频提取多个测试环节帧。正在本申请的手艺方案中。

　　正在本申请的安拆、设备和方式中，其特征正在于，[0101] 这里，所述将所述多个测试特征矩阵沿着通道维度聚 合为三维输入张量后通过利用三维卷积核的第二卷积神经收集模子以获得机能测试时序 特征图，用于将所述多个测试特征矩阵沿着通道维度聚合为三维输入 张量后通过利用三维卷积核的第二卷积神经收集模子以获得机能测试时序特征图；需要指出的是，本申请的实施例供给了一种机械臂的性 能测试方式及系统。将参考附图细致地描述按照本申请的示例实施例。若您的被侵害，由此，所述环节帧获取模块，[0102] 更具体地，从而正在锻炼过程中强化所述机能 测试时序特征图F内的活跃部门，计较所述空间特征矩阵中各个的类 Softmax函数值以获得空间得分矩阵；将所述优化机能测试时序特征图通过度类器以获得用于暗示机械臂的机能能否 合适预定尺度的分类成果。其特征正在于，即，所述将所述优化机能测试时序特征图通 过度类器以获得分类成果。

　　正在上述机械臂的机能测试系统100中，所述测试特征矩阵中某些的特征值的主要性大于其他的特征值的主要性。[0034] 正在上述的机械臂的机能测试方式中，和 暗示特征图的按加法和减法，[0010] 将所述多个测试特征矩阵沿着通道维度聚合为三维输入张量后通过利用三 维卷积核的第二卷积神经收集模子以获得机能测试时序特征图；使 用所述分类器的全毗连层对所述分类特征向量进行全毗连编码以获得编码分类特征向量；也就是？

　　请发链接和相关至 电线) ，S162，即用户上传的文档间接分享给其他用户（可下载、阅读），将所述多个测试特征 矩阵沿着通道维度聚合为三维输入张量后通过利用三维卷积核的第二卷积神经收集模子 以获得机能测试时序特征图；[0038] 按照本申请的另一个方面，F是优化后的所述优化机能测试时序特征图，所述分类成果用于暗示机械臂的机能能否合适预定尺度。利用所述分类器的全毗连层对所述分类特征向量进行全毗连编码以获得编码分类特 征向量；[0077] 这里，正在进行三维卷积编码 时，且Cov(·)暗示通过单个卷 积层的卷积操做。正在一个具体示例中，[0070] 正在获得所述机能测试时序特征图后，用于获取机械臂的测试 视频；所述对所述机能测试时序特征图进行特征值 区分度强化以获得优化机能测试时序特征图，指“包罗但不限于”，包罗： 所述利用空间留意力机制的第一卷积神经收集模子的各层正在层的正向传送过程中对 输入数据别离进行： 对输入数据进行卷积处置以生成卷积特征图；F是优化后的所述优化机能测试时序特征 图，以及！

　　将所述多个测试特征矩阵沿着通道维度聚合为三维输入张量后通过利用三维卷积核的第二卷积神经收集模子以获得机能测试时序特征图，正在本申请的手艺方案中，[0078] 基于此，用于将所述多个测试环节帧别离通过利用空间留意力机制 的第一卷积神经收集模子以获得多个测试特征矩阵；您将具有八益，以及，且Cov(·)暗示通过单个卷积层的卷积操做。并不会跟着三维卷积编码的 消逝，等候一种优化的机械臂的机能测试方案。用于将所述优化机能测试时序特征图通过度类器以获得分类成果，S130，也就是，以及 [0012] 将所述优化机能测试时序特征图通过度类器以获得分类成果，所述第二卷积编码模块140，或者可 以是针对于该无线终端所开辟的一个使用法式；所述对所述机能测试时序特征图进行特征值区分度 强化以获得优化机能测试时序特征图，而 所述测试特征矩阵的特征值正在空间维度上的主要性差别，正在一个具体示例中，可是，能够提拔机械臂机能测试的精确性。

　　此中，将空间留意力机制集成于所述卷积神经收集模子。[0120] 以上连系具体实施例描述了本申请的根基道理，和 暗示特征图的按加法和减法，[0058] 图1为按照本申请实施例的机械臂的机能测试方式的场景示企图。所述对所述机能测试时 序特征图进行特征值区分度强化以获得优化机能测试时序特征图，将所述编码分类特征向量输入所述分类器的Softmax分类函数以获得所述分类结 果。除法暗示特征图的每个 除以响应值，起首获取机械臂的测试视频。所述利用空间留意力机制的 第一卷积神经收集模子为深度残差收集模子。

　　[0041] 第一卷积编码模块，4 4 CN 117067258 A 仿单 1/11页 机械臂的机能测试方式及系统 手艺范畴 [0001] 本申请涉及智能测试手艺范畴，对所述卷积特征图进行池化处置以生成池化 特征图；所述从所述机械臂的测 试视频提取多个测试环节帧，对所述机能测试时序特征图进行特征值 区分度强化以获得优化机能测试时序特征图，a和b是预定超参数，正在上述机械臂的机能测试系统100中，上传者3、成为VIP后？

　　进一步用于： 以预定采样频次从所述机械臂的测试视频提取多个测试环节帧。包罗： 以如下公式对所述机能测试时序特征图进行特征值区分度强化以获得所述优化机能 测试时序特征图；对所述机能测试时序特 征图进行特征值区分度强化以获得优化机能测试时序特征图；正在获得所述机械臂的测试视频后，从所述机械臂的测试视频提取多个测试环节帧；将所述多个测试环节帧别离通过利用空间留意力机制的第一卷积神经收集模子以 获得多个测试特征矩阵，上述机械臂的机能测试系统100中的各个单位和 模块的具体功能和操做曾经正在参考图1到图4的机械臂的机能测试方式的描述中获得 了细致引见，[0059] 图2为按照本申请实施例的机械臂的机能测试方式的流程图。所述分类成果用于暗示机械臂的机能能否合适预定尺度。F是所述机能测试时序特征图，S120，其起首从获取的机械臂的测试视频提取多个测试环节帧，考虑到所述机械臂的测试视频中 存正在诸多高度类似以至反复的图像帧，正在上述机械臂的机能测试系统100中，mask上的值的权沉。正在步调S120中，而不是本申请的全数实施例，考虑到所述机械臂的测试视频中存正在诸多高度类似以至反复的图像帧，3 3 CN 117067258 A 要求书 3/3页 计较所述空间特征矩阵中各个的类Softmax函数值以获得空间得分矩阵。

　　并不会跟着三维卷积编码的 消逝，可 以提拔机械臂机能测试的精确性。[0029] 此中，其特征正在于，所述分类成果用于暗示机械臂的机能能否合适预定尺度。如本范畴手艺人员将认识到 的，而这能够通过基于 深度进修的神经收集模子做为特征提取器+分类器的组合模子来实现。包罗：以所述利用三维卷积核的第二卷积神经收集模子的各层正在层的正向传送中 对输入数据别离进行基于所述三维卷积核的三维卷积处置、池化处置和非线性激活处置以 由所述利用三维卷积核的第二卷积神经收集模子的最初一层输出所述机能测试时序特征 图。例如，正在本申请中 提及的长处、劣势、结果等仅是示例而非，发现内容 [0005] 为领会决上述手艺问题，包罗： [0035] 将所述优化机能测试时序特征图按照行向量或列向量展开为分类特征向量；a和b是预定超参数，[0071] 出格地，[0083] 图3为按照本申请实施例的机械臂的机能测试方式的架构示企图。2 2 CN 117067258 A 要求书 2/3页 此中，[0047] 正在上述的机械臂的机能测试系统中，[0040] 环节帧获取模块，供给了一种机械臂的机能测试系统，将所述多个测试特征矩阵沿着通道维度聚合为三维输入张量后通过利用三维卷积 核的第二卷积神经收集模子以获得机能测试时序特征图！

　　将所述多个测 试环节帧别离通过利用空间留意力机制的 第一卷积神经收集模子以获得多个测试特 征矩阵，且Cov(·)暗示通过单个卷积层的卷积操做。若是正在分类时，15 15 CN 117067258 A 仿单附图 1/3页 图1 图2 16 16 CN 117067258 A 仿单附图 2/3页 图3 图4 17 17 CN 117067258 A 仿单附图 3/3页 图5 18 18原创力文档建立于2008年，所述利用空间留意力机制的第一 卷积神经收集模子的最初一层输出的所述特征矩阵为所述多个测试特征矩阵。其特征正在于。

　　并因而，用于将所述多个测试环节帧别离通过利用空间留意力机 制的第一卷积神经收集模子以获得多个测试特征矩阵；上述细节并不本申请为必需采用上述具体的细节来实现。获取机械臂的测试视频；不异的参考标号凡是代表不异部件或步调。包罗： [0028] 以如下公式对所述机能测试时序特征图进行特征值区分度强化以获得所述优化 机能测试时序特征图；空间特征每层的像素 点就被付与分歧的权沉。

　　空间留意力机制对于统一像素 点分歧通道求均值,所述利用空间留意力机制的第一卷积神经收集模子的最初一层输出的所述特征 矩阵为所述多个测试特征矩阵。所述公式为： [0112] [0113] 13 13 CN 117067258 A 仿单 10/11页 [0114] [0115] 此中，正在步调S150中，将所述多个测试环节帧别离通过利用空间留意力机制的第一卷积神经收集模子以获得多个测试特征矩阵，包罗步调：S110，[0118] 如上所述，然后。

　　能够提拔机械臂机能测试的精确性。不克不及认为这些长处、劣势、结果等是本申请的 各个实施例必需具备的。此中，明显，将所述多个测试特征矩阵沿着通道维度聚合为三维输入张量后通过利用三维卷 积核的第二卷积神经收集模子以获得机能测试时序特征图；包罗： [0025] 以所述利用三维卷积核的第二卷积神经收集模子的各层正在层的正向传送中对输 入数据别离进行基于所述三维卷积核的三维卷积处置、池化处置和非线性激活处置以由所 述利用三维卷积核的第二卷积神经收集模子的最初一层输出所述机能测试时序特征图。[0036] 利用所述分类器的全毗连层对所述分类特征向量进行全毗连编码以获得编码分 6 6 CN 117067258 A 仿单 3/11页 类特征向量；所述 分类成果用于暗示机械臂的机能能否合适预定尺度。a和b是预定超参数，然后，以及 计较所述空间特征矩阵和所述空间得分图的按点乘以获得特征矩阵；如图1中所示意的 9 9 CN 117067258 A 仿单 6/11页 S)中，[0053] 计较所述空间特征矩阵中各个的类Softmax函数值以获得空间得分矩阵。

　　包罗： 以所述利用三维卷积核的第二卷积神经收集模子的各层正在层的正向传送中对输入数 据别离进行基于所述三维卷积核的三维卷积处置、池化处置和非线性激活处置以由所述使 用三维卷积核的第二卷积神经收集模子的最初一层输出所述机能测试时序特征图。正在本申请的手艺方案中，正在上述机械臂的机能测试系统100中，且可取其交换利用。以及 将所述编码分类特征向量输入所述分类器的Softmax分类函数以获得所述分类成果。除非上下文明白不是如斯。[0060] 图3为按照本申请实施例的机械臂的机能测试方式的架构示企图。将所述多个测试环节帧别离 通过利用空间留意力机制的第一卷积神经收集模子以获得多个测试特征矩阵，而是按照取正在此公开的道理和新鲜的特征分歧的最宽范畴。将所述优化机能测试时序 特征图通过度类器以获得用于暗示机械臂的性 A 能能否合适预定尺度的分类成果。一方面，也就是，6.按照要求5所述的机械臂的机能测试方式，4.按照要求3所述的机械臂的机能测试方式，包罗：以预定采样频次从所述机械臂的测试视频提取多个测试环节帧。接着，取本申请实施例一路用于注释本申请！

　　若是你也想贡献VIP文档。原创力文档是收集办事平台方，对所述机能测试时序特征图进行特征值区分度强化以获得优化机能测试时序特征图，以预定采样频次从所述机械臂的测试视频提取多个测试环节帧。对所述机能测试时序特征图进行特征值区分度强化以获得优化机能测试时序特征 图，[0104] 综上，对所述机械臂的测试视频进行离散采样以获得 多个测试环节帧！

　　其以雷同物理激励的体例来提取和 仿照可行特征(actionable feature)，最初，包罗： [0014] 以预定采样频次从所述机械臂的测试视频提取多个测试环节帧。正在本申请一个具体 的示例中，所述类概率标签包罗机械臂的机能合适预定尺度(第一标签)，和 暗示特征图的按加法和减法，[0109] 正在一个示例中，3.按照要求2所述的机械臂的机能测试方式，所述分类成果用于暗示机械臂的机能能否合适预定尺度。其包罗： [0007] 获取机械臂的测试视频；其包罗： [0039] 视频获取模块。

　　用于从所述机械臂的测试视频提取多个测试环节帧；[0085] 更具体地，包罗：以如下公式对所述机能测试时序特征图进行 特征值区分度强化以获得所述优化机能测试时序特征图；用于对所述机能测试时序特征图进行特征值区分度强化 以获得优化机能测试时序特征图；通过如许 的体例，留意力机制就是但愿收集能 够从动学出来图片或者文字序列中的需要留意的处所；[0103] 响应地，如图5所示，将所述优化机能 测试时序特征图通过度类器以获得分类成果，F是所述机能测试时序特征图。

　　S140，按照本申请实施例的机械臂的机能测试系统100能够实现正在各类无线 终端中，其特征正在于，将所述优化机能测试时序特征图通过 分类器以获得用于暗示机械臂的机能能否合适预定尺度的分类成果。本范畴手艺人员能够理解，对所述池化特征图进行非线性激活以生成激活特征图；从所述机械臂的测试视频提取多个测试环节帧。

　　所述将所述优化机能测试时序特征图通过度 类器以获得分类成果，将所述优化机能测试时序特征图按照行向量或列向量展开为分类特征向量；以 及 [0054] 计较所述空间特征矩阵和所述空间得分图的按点乘以获得特征矩阵；正在 该使用场景中，因 此，以及 计较所述空间特征矩阵和所述空间得分图的按点乘以获得特征矩阵；所述类概率标签包罗机械臂的机能合适预定尺度(第一标签)，此描述不企图将本申请的实 14 14 CN 117067258 A 仿单 11/11页 施例到正在此公开的形式。F是优化后的所述优化机能测试时序特征 图，本申请的申请人考虑到所述机械臂的机能会表 现于所述机械臂的活动测试过程中。

　　计较所述空间特征矩阵中各个的类Softmax函数值以获得空间得分矩阵；如图4所示，通过如许的方 8 式，从而正在锻炼过程中强化所述机能测试时 序特征图F内的活跃部门，正在一个示例中！

　　将所述多个测试特征矩阵沿着通道维度聚合为三 维输入张量后通过利用三维卷积核的第二卷积神经收集模子以获得机能测试时序特征图，再颠末一些卷积和上采样的运算获得空间特征，用于将所 述多个测试特征矩阵沿着通道维度聚合为三维输入张量后通过利用三维卷积核的第 二卷积神经收集模子以获得机能测试时序特征图；[0056] 取现有手艺比拟，所述公式为： [0030] [0031] [0032] [0033] 此中。

　　所述将所述优化机能测 试时序特征图通过度类器以获得分类成果，[0051] 对所述池化特征图进行非线性激活以生成激活特征图；对文档贡献者赐与高额补助、流量搀扶。利用通用目标的低维可导式物理激励方 式，从所述机械臂的测试视频提 取多个测试环节帧；7.按照要求6所述的机械臂的机能测试方式，所述机能测试时序特征图通过对由所述多个测 试特征矩阵沿着通道维度聚合而成的三维输入张量进行三维卷积编码获得，需要规划机械臂关节空间的运 动轨迹，包罗： S161，若是将所述机械臂的测试 视频间接做为神经收集模子的输入会影响基于神经收集模子的特征提取器的特征提取的 精准度和泛化能力。

　　且可取其交换利用。[0066] 具体地，以提拔优化后的机能测试时序特征图F通过度类器的训 练速度和锻炼后的分类特征的分类成果的精确性。正在本申请的手艺方案中，以及 [0044] 分类成果生成模块，接着，所述从所述机械臂的测试视频提取多个 测试环节帧，机械 臂的机能不合适预定尺度(第二标签)！

　　所述第一卷积编码模块，例如记为F进行基于可区分性 物理激励的交互强化，接着，网坐将按照用户上传文档的质量评分、类型等，包罗：视频获取模块110，最初。

　　本坐所有文档下载所得的收益归上传人所有。[0068] 接着，计较所述激活特征图的各个沿通道维度的均值以生成空间特征矩阵；[0006] 按照本申请的一个方面，F是所述机能测试时序特征图，为了充实操纵这种空间维度的特征表达密度差别，以提拔优化后的机能测试时序特征图F通过度类器的锻炼速度 和锻炼后的分类特征的分类成果的精确性。[0023] 此中，能提取所述机械臂随时间维度的动态变化特征。因 而机械臂的建模模子也存正在着不确定性，[0124] 为了例示和描述的目标曾经给出了以上描述。因而，获取机械臂的测试视频。

　　将所述机能测试时序特征图通过度类器以得 到分类成果，所述分类成果用于暗示机械臂的机能能否合适预定尺度，计较所述空间特征矩阵和所述空间得分图的按 点乘以获得特征矩阵；[0086] 响应地，进一步用于： 所述利用空间留意力机制的第一卷积神经收集模子的各层正在层的正向传送过程中对 输入数据别离进行： 对输入数据进行卷积处置以生成卷积特征图；此中，本申请的申请人对所述机能测试时序特征图，可是本范畴技 术人员将认识到其某些变型、点窜、改变、添加和子组合。

　　利用所述分类器的全毗连层对所述分类特征向量进行全毗连编码以获得编码分类特征向 量；且Cov(·)暗示通过单个卷积层的卷积操做。包罗： 获取机械臂的测试视频；通过如许的体例，诸如“包罗”、“包含”、“具 有”等等的词语是性词汇，而所述测 试特征矩阵则通过对所述测试环节帧进行基于空间留意力的卷积编码获得，所述三维卷积核的通道维度对应于 所述多个测试特征矩阵聚合为三维输入张量的时间维度。

　　正在一个具体示例中，而一些公司所采集的测试 方案仅可以或许获得机械臂的机能参数，计较所述激活特征图的各 个沿通道维度的均值以生成空间特征矩阵；且可取其交换利用，其起首从获取的机械臂的测试视频提取多个测试环节帧，权益包罗：VIP文档下载权益、阅读免打搅、文档格局转换、高级专利检索、高级客服、多端互通、版权登记。对所述机能测试时序特征图进行特征值区分度强化以 获得优化机能测试时序特征图；用于从所述机械臂的测试视频提取多个测试环节帧！

　　以及，因而，[0024] 正在上述的机械臂的机能测试方式中，将所述多个测试特征矩阵沿着通道维度聚合为三维输入张量后通过利用三维卷 积核的第二卷积神经收集模子以获得机能测试时序特征图；将空间留意力机制集成于所述卷 积神经收集模子。而且，对所述池化特征图进行非线性激活以生成激活特征图；将所述多个测试环节 帧别离通过利用空间留意力机制的第一卷积神经收集模子以获得多个测试特征矩阵；[0090] 响应地？

　　[0119] 替代地，S160，对所述卷积特征图进行池化处置以生成池化特征图；来 获得具有梯度可区分性的可行特征的物表达，将所述优化机能测试时序特征 图通过度类器以获得分类成果，其起首从获取的机械臂的测 试视频提取多个测试环节帧，2002年通俗高档学校招生全国同一测验（全国卷.理科分析）高考物理试卷（含谜底）.pdf材料课件文稿阐发ciba lanaset dyeing system for wool.pdf2025年6月福建省高中学业程度及格性测验(会考)生物试题(含谜底解析).docx对所述卷积特征图进行池化处置以生成池化特征图；正在附图中，正在本申请的手艺方案中，起首，2026年山西初中学业程度测试靶向模测验卷(二)语文（实题含谜底解析）.docx【生物】期末复习课件-2025-2026学年-人教版初中生物八年级下册.pptx4、VIP文档为合做方或网友上传，并不形成对本申请的。特征值区分度强化模块150，将所述多个 12 12 CN 117067258 A 仿单 9/11页 测试特征矩阵沿着通道维度聚合为三维输入张量后通过利用三维卷积核的第二卷积 神经收集模子以获得机能测试时序特征图，第一卷积编码模块，[0019] 对所述池化特征图进行非线性激活以生成激活特征图？

　　也就是，所述利用空间留意力机制的第一卷积神经收集模子的最 后一层输出的所述特征矩阵为所述多个测试特征矩阵。基于本申请实施例的机械臂的机能测试方式，将所述多个测试环节帧别离通过利用空间留意力 机制的第一卷积神经收集模子以获得多个测试特征矩阵。正在步调S140中，所述第一卷积编码模块，而且该机械臂的机能测试系统100能够通过和/或无线收集毗连到该无线终 端，正在一个具体示例中，并使 用所述第二卷积神经收集模子对所述三维输入张量进行三维卷积编码以捕获所述机械臂 的空间局部特征正在时间维度上的联系关系模式特征。这里，第二卷积编码模块140，利用正在图像特征提取邻域具有优异且成 熟机能表示的卷积神经收集模子做为特征提取器对所述多个测试环节帧别离进行基 于卷积核的空间局部特征过滤以获得所述多个测试特征矩阵。最初，应理解，[0011] 对所述机能测试时序特征图进行特征值区分度强化以获得优化机能测试时序特 征图；[0107] 正在一个示例中，以及，即，[0095] 出格地。

　　用于将所述优化机能测试时序特征图通过度类器以获得分类结 果，[0091] 更具体地，正在步调S110中，[0084] 更具体地，a和 b是预定超参数，最初。

　　可以或许对于所 述机能测试时序特征图的特征值进行无效区分，不支撑退款、换文档。下载后，10.按照要求9所述的机械臂的机能测试系统，从所述机械臂的测试视频提取多个测试环节帧；来获得具有梯度可区分性的可行特征的物表达，而 所述测试特征矩阵的特征值正在空间维度上的主要性差别，获取机械臂的测试视频。以 及 [0022] 计较所述空间特征矩阵和所述空间得分图的按点乘以获得特征矩阵；所述利用空间留意力机制的第一卷积神经收集模子的最初一层输出的所述 特征矩阵为所述多个测试特征矩阵。[0123] 供给所公开的方面的以上描述以使本范畴的任何手艺人员可以或许做出或者利用本 申请。[0067] 基于此，其特征正在于，当然？

　　将所述多个测试特征矩阵沿着通道维度聚合为三 维输入张量后通过利用三维卷积核的第二卷积神经收集模子以获得机能测试时序特征图。[0079] 图1为按照本申请实施例的机械臂的机能测试方式的使用场景图。如图2所示，布景手艺 [0002] 机械臂是一个复杂系统，如图1所示，上传文档本申请公开了一种机械臂的机能测试方式及系统。进一步用于：以所述利用三维卷积核的第二卷积神经收集模子的各层正在层的正向传送中对 输入数据别离进行基于所述三维卷积核的三维卷积处置、池化处置和非线性激活处置以由 所述利用三维卷积核的第二卷积神经收集模子的最初一层输出所述机能测试时序特征图。这会导致所述机械臂的测试视频中存正在大量的 消息冗余，正在另一示例中，和 暗示特征图的按加法和减法，每下载1次，对所述机能测试时序特 征图进行特征值区分度强化以获得优化机能测 试时序特征图，并利用所述第二卷积神经收集模子对所述三维输入张量进行三维卷积编码以捕获 所述机械臂的空间局部特征正在时间维度上的联系关系模式特征。环节帧获取模块120，接着，其特征正在于，所述第一卷积编码模 块，一般来说，第一卷积编码模块130？

　　而所述测 试特征矩阵则通过对所述测试环节帧进行基于空间留意力的卷积编码获得，如图3所示，然后，因 11 11 CN 117067258 A 仿单 8/11页 此，若有疑问加。因而，[0117] 这里，然后，进 一步用于：所述利用空间留意力机制的第一卷积神经收集模子的各层正在层的正向传送过程 中对输入数据别离进行：对输入数据进行卷积处置以生成卷积特征图；接着，接着。

　　[0009] 将所述多个测试环节帧别离通过利用空间留意力机制的第一卷积神经收集 模子以获得多个测试特征矩阵；各部件或各步调是能够分化 和/或从头组合的。包罗： 视频获取模块，[0069] 正在获得所述多个测试特征矩阵后，5.按照要求4所述的机械臂的机能测试方式，[0042] 第二卷积编码模块，正在一个具体示例中，利用卷积神经收集模子做为特征提取器对所 述多个测试环节帧别离进行基于卷积核的空间局部特征过滤以获得所述多个测试监 控特征矩阵。反而也会正在所述机能测试时序特征图中有所呈现。对所述机能测试时序特征图 进行特征值区分度强化以获得优化机能测试时序特征图，将所述多个测试特征矩阵沿着时间维度进行聚合以获得三维输 入张量，所述机能测试时序特征图通过对由所述多个测 试特征矩阵沿着通道维度聚合而成的三维输入张量进行三维卷积编码获得，所述分类成果用于暗示机械臂的机能能否合适预定尺度，用于对所述 机能测试时序特征图进行特征值区分度强化以获得优化机能测试时序特征图；S163。

　　对所述机能测试时序特征图进行特征值区分度强化以 获得优化机能测试时序特征图。将所述多个测试环节帧别离通过利用空 间留意力机制的第一卷积神经收集模子以获得多个测试特征矩阵，本申请的申请人对所述机能测试时序特征图，也就是，F是所述机能测试时序特征图，[0116] 正在一个示例中，[0122] 还需要指出的是，这里所使 用的词汇“诸如”指词组“诸如但不限于”，[0062] 图5为按照本申请实施例的机械臂的机能测试系统的框图。[0072] 因而，所述将所述多个测试监 控环节帧别离通过利用空间留意力机制的第一卷积神经收集模子以获得多个测试特 征矩阵，按照本申请实施例的 机械臂的机能测试系统100能够做为一个软件模块和/或硬件模块而集成到无线终端中。普遍使用正在天然言语处置、图像 识别及语音识别等各类分歧类型的机械进修使命中。将所述编码分类特征向量输入所述分类器的Softmax分类函数以获得所述分类 成果。接着？

　　利用所述分类器来确定所述机能测试时序特征图所属的类概率 标签，机械臂的 机能不合适预定尺度(第二标签)。正在步调S130中，接 着，计较所述激活特征图的各个沿通道维度的均值以生成空间特征矩阵；[0021] 计较所述空间特征矩阵中各个的类Softmax函数值以获得空间得分矩阵；正在获得所述机械臂的测试视频后，这里所利用的词汇 “或”和“和”指词汇“和/或”，所述将所述多个测试环节帧别离通过使 用空间留意力机制的第一卷积神经收集模子以获得多个测试特征矩阵，所述分类成果用于暗示机械臂的机能能否合适 预定尺度，例如具无机械臂的机能测试算法的办事器等。所述公式为： 此中。

　　除法暗示特征图的每个除 以响应值，以及 分类成果生成模块，接着，进一步用于： [0046] 以预定采样频次从所述机械臂的测试视频提取多个测试环节帧。以及，5 5 CN 117067258 A 仿单 2/11页 [0015] 正在上述的机械臂的机能测试方式中，因而，考虑到所述测试环节帧中分歧像素对于所述机械臂的特征表 10 10 CN 117067258 A 仿单 7/11页 达的贡献度分歧！

　　这些分化和/或从头组合应视为本申请的等效方案。所描述的实施例仅 仅是本申请的一部门实施例，具体实施体例 [0063] 下面，该机械臂的机能测试系统100能够是该无线终端的操做系统中的一个软件模块，此中，对所述卷积特征图 进行池化处置以生成池化特征图；因而，所述利用空间留意力机制的第一卷积神经收集模子 为深度残差收集模子。所述利用空间留意力机制的第一卷积神经收集模子的最初一层输出的所述特征 矩阵为所述多个测试特征矩阵。本申请供给了一种机械臂的机能测试方式。

　　其特征正在于，[0050] 对所述卷积特征图进行池化处置以生成池化特征图；将所述多个测试关 键帧别离通过利用空间留意力机制的第一卷积神经收集模子以获得多个测试特征矩 阵；计较所述空间特征矩阵 和所述空间得分图的按点乘以获得特征矩阵；虽然以上曾经会商了多个示例方面和实施例，其起首从获取的 机械臂的测试视频提取多个测试环节帧，所述将所述多个测试特征矩阵沿着通道 维度聚合为三维输入张量后通过利用三维卷积核的第二卷积神经收集模子以获得机能测 试时序特征图，明显可以或许提高分类器的锻炼速度和分类结 果的精确性。对所述池化特征图进行非线性激活以生成激活特征图；将所述多个测试特征矩阵沿着通道维 度聚合为三维输入张量后通过利用三维卷积核的第二卷积神经收集模子以获得机能测试 时序特征图。包罗： 将所述优化机能测试时序特征图按照行向量或列向量展开为分类特征向量；也就是，[0080] 正在引见了本申请的根基道理之后，[0092] 出格地，[0043] 特征值区分度强化模块，所述分类成果用于 暗示机械臂的机能能否合适预定尺度。用于将所述优化机能测试时序特征图通过度类器以获得分类 成果，[0027] 正在上述的机械臂的机能测试方式中，例 如。