超级机器人研究院（黄埔）

本发明公开一种基于时空多示例学习的弱监督EEG情绪识别方法及系统，该方法包括下述步骤：对获取的EEG信号进行数据预处理得到差分熵特征矩阵，经Time‑Inception模块得到为空间实例序列，经Space‑Inception模块得到时间实例序列，时间实例序列及空间实例序列经对应的时间感知MIL池化分支、空间感知MIL池化分支得到时间包特征、空间包特征，分别输入线性分类器得到时间分支和空间分支的情绪类别概率分布，基于总损失函数训练得到情绪类别预测模型，输出最终的情绪类别预测结果。本发明能同时建模EEG信号的时间动态和空间拓扑特征，有效缓解粗标签带来的噪声问题，提高跨被试情绪识别的准确率和鲁棒性。

本发明公开了一种基于图像空间控制屏障函数的鲁棒安全视觉伺服控制方法，包括下述步骤：参数初始化；获取机械臂关节角，计算末端平面位置和当前图像平面坐标；生成图像平面参考轨迹及其图像平面参考速度和图像平面参考加速度；计算图像跟踪误差并构建辅助变量进行自适应状态更新；生成名义笛卡尔速度；计算当前图像点相对障碍中心的向量及图像空间安全余量；根据模式变量选择无CBF模式、标称CBF模式或鲁棒CBF模式，将安全笛卡尔速度经机器人雅可比伪逆映射为原始关节速度，再按所有关节中的最大速度统一缩放，输出统一缩放后的可执行关节速度。本发明能将鲁棒安全滤波后的笛卡尔速度指令可靠映射为关节速度指令。

本发明公开了一种面向人机交互的多粒度多轮融合多模态多标签情感识别方法，包括下述步骤：获取交互对象的多模态输入，构建多标签情感标注向量，多模态输入经映射及编码得到各模态的上下文表示，对上下文表示分别提取得到不同粒度时序情感线索，在每一时间步通过门控权重自适应融合得到模态表示，对每一模态的模态表示执行多轮模态通信，将每一模态表示分解为特异分量和共享分量，聚合其他模态的特异分量作为互补线索，通过门控残差更新得到修正后的模态表示，将更新后的模态特异分量与平均共享分量拼接，输入多标签分类器输出多个情感类别的识别概率，进而得到多标签情感识别结果。本发明能提高机器人情感理解的准确性、鲁棒性和人机交互自然度。

本发明公开一种基于特权观测蒸馏的工业机器人RV减速器诊断方法，该方法在训练阶段同步采集减速器壳体振动等特权观测信号、末端惯性信号、运动相位序列、故障类别标签和运行工况标签；构建特权观测教师网络提取特权观测表征与特权观测相位显著性分布，构建含运动相位条件加权聚合模块的末端惯性诊断网络；通过类别概率蒸馏、特征对齐、相位显著性引导和工况一致性约束，将特权观测中的故障敏感知识迁移至末端惯性诊断网络；推理阶段冻结并丢弃特权观测教师网络，仅输入末端惯性信号和运动相位序列即可输出RV减速器健康状态或故障类别。本发明实现了利用可部署的末端惯性信号对工业机器人RV减速器故障的高精度识别。