CN119526422A 一种基于视触-语言-动作多模态模型的可变形物体交互操作控制方法 (同济大学)_第1页
CN119526422A 一种基于视触-语言-动作多模态模型的可变形物体交互操作控制方法 (同济大学)_第2页
CN119526422A 一种基于视触-语言-动作多模态模型的可变形物体交互操作控制方法 (同济大学)_第3页
CN119526422A 一种基于视触-语言-动作多模态模型的可变形物体交互操作控制方法 (同济大学)_第4页
CN119526422A 一种基于视触-语言-动作多模态模型的可变形物体交互操作控制方法 (同济大学)_第5页
已阅读5页,还剩17页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

一种基于视触-语言-动作多模态模型的可针对可变形物体进行图像、触觉和语言数据编式迭代进行动作规划与执行;重复执行上述步2S2、将视觉特征、触觉特征和语言特征进行体的视觉图像和触觉数据映射为图像嵌入和触觉嵌入,同时将语言指令映射为语言嵌入,用于提取物体的视觉特征和触觉特征,视觉编码器采用标准的VisionTransformer结构,意力机制的Transformer编码器以提取全跨模态特征融合以增强触觉与视觉的协同理3所述大语言模型Llama2结合低秩适配技术LoRA进行微调,Llama2的LoRW'=W+A·B,AeR的,BeR(d)4[0008]本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于视触一语5意力机制的Transformer编码器以提取全局和结合跨模态特征融合以增强触觉与视觉的协[0024]进一步地,所述步骤S41中大语言模型Llama2结合多模态共享记忆模块进行自然[0026]W'=W+A·B,AeR的,BeR(d6)[0040]进一步地,所述步骤S5在重复执行步骤S1~S4时,具体是基于时间图神经网络境反馈的动态调整机制。而本发明通过结合微调后的Llama2大语言模型和触觉信号的反深度理解的能力。本发明采用双塔Transformer架构分别建模触觉数据的空间特征和时间789于提取物体的视觉特征和触觉特征,视觉编码器采用标准的VisionTransformer(ViT)结自注意力机制的Transformer编码器以提取全局和局部特征,触觉编码器采用双塔[0114]上述的过程三中,大语言模型Llama2结合低秩适配技术(Low-RankLoRA)进行微调,优化其在可变形物体交互场景中的动作计划生成能力。通过综合历史任配(Low_RankAdaptation,LoRA)微调和时间图神经网络(TemporalGraph

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论