机器人柔顺性控制方法、装置、设备及存储介质制造方法及图纸

本发明专利技术适用计算机技术领域，提供了一种机器人柔顺性控制方法、装置、设备及存储介质，该方法包括：获取示教运动的示教数据，根据示教数据中的运动数据计算示教运动的运动方程，并且同时根据示教数据中的交互力数据计算示教运动的变阻抗参数，根据运动方程和变阻抗参数控制操作，从而减少了机器人柔顺性控制过程中的手动编程，降低了机器人的使用门槛，提高了机器人控制的柔顺性和精确性，进而提高了机器人的泛化能力、智能化程度和控制效果。

Robot Compliance Control Method, Device, Equipment and Storage Media

The invention is applicable to the field of computer technology and provides a robot compliance control method, device, equipment and storage medium. The method includes acquiring teaching data of teaching movement, calculating the motion equation of teaching movement based on the motion data of teaching movement, and calculating the variable impedance parameters of teaching movement based on the interactive force data of teaching data, and according to the motion. The control operation of equation and variable impedance parameters reduces the manual programming in the process of robot compliance control, reduces the threshold of the use of the robot, improves the flexibility and accuracy of the robot control, and further improves the generalization ability, intelligence degree and control effect of the robot.

【技术实现步骤摘要】
机器人柔顺性控制方法、装置、设备及存储介质
本专利技术属于计算机
，尤其涉及一种机器人柔顺性控制方法、装置、设备及存储介质。
技术介绍
在现阶段机器人的应用中，尤其是工业应用中，机械臂的运动轨迹一般是通过用户预先定义的，或者预先设定某种任务环境，然后让机器人或机械臂按照计划重复执行即可。这种模式运行的机械臂无法面对环境的变化，或者突如其来的扰动。对于复杂场景下或较困难任务的实现，这种模式也需要较为繁重的人工编程。对普通工人来讲，使用门槛要求高(例如：要会机器人编程)。更重要的是，这种机器人控制模式没有隐含人的操作习惯更没有像人手那样的具有柔顺性。为了有效降低机器人的使用门槛、更好地实现人机协同交互，机械臂或机器人应该具有学习能力，并更加灵活和柔顺的特性。机器人“模仿学习”(ImitationLearning)或者“示教学习”(ProgrammingbyDemonstration)便是解决这一问题的重要方法。通常机器人的柔顺性行为包含动作和力两个方面，因此柔顺性行为的学习也是包括动作学习和力学习两个方面的。在机器人柔顺性控制领域，之前的研究工作主要集中在控制器的人为设计领域(例如：力位混合控制，阻抗控制，碰撞检测反馈控制器等)以及被动柔顺机构设计。上述的柔顺性控制器设计方法具有复杂的调参过程，且不具有泛化能力不能适应新的情况。机器人通过学习人类柔顺性行为而获得柔顺控制策略的研究能简化复杂的调参过程和减低机器人的使用门槛(工人只需提供正确的人类示教即可让机器人具有相应的柔顺性行为，而不需要使用者具有编程和机器人控制的相关技术基础)。机器人通过学习人类柔顺性行为而获得柔顺控制策略的研究属于前沿领域，示教学习控制中大都将运动轨迹学习和力的学习独立研究。例如，SeyedMohammadKhansari-Zadeh提出一种学习运动轨迹的方法(发表于2011年IEEETransactionsonRobotics上的文章《LearningStableNonlinearDynamicalSystemsWithGaussianMixtureModels》)。在该方法的最初提出时，动态系统是通过高斯混合模型(GaussianMixtureModels)来建模的，并且基于李雅普诺夫稳定性的约束也被推导出来用于保证运动收敛到目标。在接下来几年的发展中也出现了其他一些轨迹动作的模仿学习方法，但使用动态系统建模、使用李雅普诺夫稳定性进行约束这两大特征，基本上是各种方法的共同特征。Calinon提出了一种根据示教位置扰动的协方差推导出不同交互力的学习方法，但是这种方法示教怪异且不利于与轨迹一起学习。从现有的资料来看，将运动轨迹和力看做柔顺性行为两个组成部分，并将两者用于机器人柔顺性行为学习控制的相关成熟方案甚少。2017年发表于AutonomousRobots的文章《Learningpotentialfunctionsfromhumandemonstrationswithencapsulateddynamicandcompliantbehaviors》提出了基于势函数和耗散场的联合变阻抗控制策略，该方法的需要人为通过先验知识设计多组基于任务的参数，这种方法具有强构造性，且只能离线训练无法，效率低。已申请或已授权的专利中，也有一些与所述领域有关。在名称为“一种基于高斯过程的机器人模仿”的专利文件中，公开了一种基于高斯过程的机器人模仿学习方法。高斯过程也是一种回归算法，与高斯混合模型类似，该方案使用高斯过程对机器人运动进行建模学习。在名称为“一种基于轨迹模仿的机器人汉字书写学习方法”的专利文件中，公开了一种将基于轨迹匹配的模仿学习引入到机器人书写技能的学习中，将汉字的比划进行分割，并通过多个高斯混合模型对示教数据进行编码学习和重构的方法。在名称为“具有模仿学习机制的手把手示教机械臂系统及方法”的专利文件中，公开了一种带有模仿学习功能的机械臂系统，并给出了基于前馈神经网络的模仿学习建模方法。在名称为“一种机器人力控示教模仿学习的装置及方法”的专利文件中，公开了一种在示教数据中引入了力反馈信息，并使用隐马尔科夫模型对示教数据进行建模编码的方法。综上所述，现有的机器人柔顺性控制方法，对运动轨迹和力进行独立建模学习，学习效果不佳，进而导致控制结果不精确；基于高斯混合模型、高斯过程等离线的回归方法来进行模仿学习，需要的训练时间比较长，训练效率较低；控制的稳定性无法保证，可能出现机器人交互力过大而出现伤人的情况。
技术实现思路
本专利技术的目的在于提供一种机器人柔顺性控制方法、装置、设备及存储介质，旨在解决现有的机器人柔顺性控制方法的控制结果不精确、柔顺性较差导致的控制效果不佳问题。一方面，本专利技术提供了一种机器人柔顺性控制方法，所述方法包括下述步骤：获取示教运动的示教数据，其中，所述示教数据至少包括所述示教运动的运动数据和交互力数据；根据所述示教数据中的运动数据计算所述示教运动的运动方程，并且同时根据所述示教数据中的交互力数据计算所述示教运动的变阻抗参数，其中，所述变阻抗参数至少包括变刚度参数和变阻尼参数；根据所述运动方程和所述变阻抗参数控制操作。另一方面，本专利技术提供了一种机器人柔顺性控制装置，所述装置包括：数据获取单元，用于获取示教运动的示教数据，其中，所述示教数据至少包括所述示教运动的运动数据和交互力数据；参数计算单元，用于根据所述示教数据中的运动数据计算所述示教运动的运动方程，并且同时根据所述示教数据中的交互力数据计算所述示教运动的变阻抗参数，其中，所述变阻抗参数至少包括变刚度参数和变阻尼参数；以及操作控制单元，用于根据所述运动方程和所述变阻抗参数控制操作。另一方面，本专利技术还提供了一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述机器人柔顺性控制方法的步骤。另一方面，本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如所述机器人柔顺性控制方法的步骤。本专利技术通过获取示教运动的示教数据，根据所述示教数据中的运动数据计算所述示教运动的运动方程，并且同时根据所述示教数据中的交互力数据计算所述示教运动的变阻抗参数，根据所述运动方程和所述变阻抗参数控制操作，从而减少了机器人柔顺性控制过程中的手动编程，降低了机器人的使用门槛，提高了机器人控制的柔顺性和精确性，进而提高了机器人的泛化能力、智能化程度和控制效果。附图说明图1是本专利技术实施例一提供的机器人柔顺性控制方法的实现流程图；图2是本专利技术实施例提供的对机器人进行示教的示意图；图3是本专利技术实施例提供的在线序列超限学习机的示例性结构图；图4是本专利技术实施例提供的机器人柔顺性控制的示教学习和复现的示例性示图；图5是本专利技术实施例二提供的机器人柔顺性控制装置的结构示意图；以及图6是本专利技术实施例三提供的计算设备的结构示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。以下结合具体实施例对本专利技术的具体实现进行详细描述：实施例一：图1示出了本发本文档来自技高网...

【技术保护点】
1.一种机器人柔顺性控制方法，其特征在于，所述方法包括下述步骤：获取示教运动的示教数据，其中，所述示教数据至少包括所述示教运动的运动数据和交互力数据；根据所述示教数据中的运动数据计算所述示教运动的运动方程，并且同时根据所述示教数据中的交互力数据计算所述示教运动的变阻抗参数，其中，所述变阻抗参数至少包括变刚度参数和变阻尼参数；根据所述运动方程和所述变阻抗参数控制操作。

【技术特征摘要】
1.一种机器人柔顺性控制方法，其特征在于，所述方法包括下述步骤：获取示教运动的示教数据，其中，所述示教数据至少包括所述示教运动的运动数据和交互力数据；根据所述示教数据中的运动数据计算所述示教运动的运动方程，并且同时根据所述示教数据中的交互力数据计算所述示教运动的变阻抗参数，其中，所述变阻抗参数至少包括变刚度参数和变阻尼参数；根据所述运动方程和所述变阻抗参数控制操作。2.如权利要求1所述的方法，其特征在于，获取示教运动的示教数据的步骤，包括：获取与示教运动相关的位置数据、交互力数据和时间数据；根据所述位置数据和所述时间数据计算所述运动数据，其中，所述运动数据中包括速度数据。3.如权利要求1所述的方法，其特征在于，根据所述示教数据中的运动数据计算所述示教运动的运动方程的步骤，包括：使用所述运动数据对预设的神经网络模型进行训练，得到所述示教运动的运动方程，并根据所述运动方程对所述神经网络模型进行在线更新，其中，使用所述运动数据对预设的神经网络模型进行训练的步骤，包括：以逐一或逐块的方式对所述运动数据进行增量学习，得到所述示教运动的运动方程。4.如权利要求4所述的方法，其特征在于，所述神经网络模型包括在线序列超限学习机。5.如权利要求1所述的方法，其特征在于，根据所述示教数据中的交互力数据计算所述示教运动的变阻抗参数的步骤，包括：根据预设的稳定性约束条件和所述交互力数据对预设的变阻抗模型进行训练，得到所述示教运动的变阻抗参数，并根据所述变阻抗参数对所述变阻抗模型进行更新。6.一种机器人柔顺性控制装置，其特征在于，所述装置包括：数据获取单元，用于获取示教运动的示教数据，其中，所述示教数据至少包括所述示教运动的运动数据和交互力数据；参数计...

【专利技术属性】
技术研发人员：欧勇盛，段江哗，徐升，王志扬，金少堃，田超然，王煜睿，熊荣，江国来，吴新宇，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东,44