基于深度学习的机器人运动控制方法技术

本发明专利技术公开了一种基于深度学习的机器人运动控制方法，包括以下步骤：创建深度学习初始模型，并设定损失函数；采集据并输入到深度学习初始模型中，并根据损失函数进行深度学习初始模型训练，获取深度学习模型；获取实时外部环境数据、机器人状态数据和运动目标数据；将获取的实时外部环境数据、机器人状态数据和运动目标数据输入到深度学习模型中，获取深度学习模型的输出结果；根据深度学习模型的输出结果实时生成并发送相应的控制序列给相应的机器人运动控制部件。本发明专利技术可自动控制机器人针对不同3D环境及运动目标，产生步态、体态、手态等操作控制序列，极大的提高机器人的操作灵活性，以及减少工作量。

【技术实现步骤摘要】
基于深度学习的机器人运动控制方法
本专利技术涉及机器人控制
，特别是一种基于深度学习的机器人运动控制方法。
技术介绍
一般的多足、双足机器人存在两个主要问题，第一、机器人的运动不够灵活；第二、机器人的步态、体态、手、足的控制自动化程度低，需要编制不同的控制模块程序进行控制，复杂且工作量大。
技术实现思路
基于此，针对上述问题，本专利技术提供了一种基于深度学习的机器人运动控制方法，通过将外部地环、本身姿态、运动目标当作输入，输入到深度学习模型从而产生对应的对运动部件控制的时序命令进而对机器人进行灵活控制，简单方便且提高了机器人运动的灵活性。本专利技术采用的技术方案是：一种基于深度学习的机器人运动控制方法，包括以下步骤：S1、创建深度学习初始模型，并设定损失函数L；S2、采集运动要求数据、运动目标、机器人自身的各种状态数据、外部环境数据并输入到深度学习初始模型中，并根据损失函数进行深度学习初始模型训练，获取深度学习模型；S3、获取实时外部环境数据、运动要求数据、机器人状态数据和运动目本文档来自技高网...

【技术保护点】
1.一种基于深度学习的机器人运动控制方法，其特征在于，包括以下步骤：/nS1、创建深度学习初始模型，并设定损失函数L；/nS2、采集运动要求数据、运动目标、机器人自身的各种状态数据、外部环境数据并输入到深度学习初始模型中，并根据损失函数进行深度学习初始模型训练，获取深度学习模型；/nS3、获取实时外部环境数据、运动要求数据、机器人状态数据和运动目标数据；/nS4、将获取的实时外部环境数据、运动要求数据、机器人状态数据和运动目标数据输入到深度学习模型中，获取深度学习模型的输出结果；/nS5、根据深度学习模型的输出结果实时生成并发送相应的控制序列给相应的机器人运动控制部件。/n

【技术特征摘要】
1.一种基于深度学习的机器人运动控制方法，其特征在于，包括以下步骤：
S1、创建深度学习初始模型，并设定损失函数L；
S2、采集运动要求数据、运动目标、机器人自身的各种状态数据、外部环境数据并输入到深度学习初始模型中，并根据损失函数进行深度学习初始模型训练，获取深度学习模型；
S3、获取实时外部环境数据、运动要求数据、机器人状态数据和运动目标数据；
S4、将获取的实时外部环境数据、运动要求数据、机器人状态数据和运动目标数据输入到深度学习模型中，获取深度学习模型的输出结果；
S5、根据深度学习模型的输出结果实时生成并发送相应的控制序列给相应的机器人运动控制部件。


2.根据权利要求1所述的基于深度学习的机器人运动控制方法，其特征在于，所述机器人状态数据包括机器人自身形态数据、运动状态数据和各部件受力数据。


3.根据权利要求2所述的基于深度学习的机器人运动控制方法，其特征在于，所述损失函数L的表达式为L＝S+V+P+Ε，其中，S为完成目标距离度量，V为速度损失量，P为功耗损失量，E为颠簸损失量。


4.根据权利要求3所述的基于深度学习的机器人运动控制方法，其特征在于，步骤S2包括以下步骤：
S21、采集运动要求数据、运动目标、机器人自身的各种状态数据、外部环境数据并输入到深度学习初始模型中；
S22、获取机器人各运动控制部件的运动完成数据，并根据损失函数生成奖惩规则对深度学习初始模型进行迭代学习训练，并生成学习训练结果；
S23、根据学习训练结果获取深度学习模型。


5.根据权利要求2所述的基于深度学习的机器人运动控制方法，其特征在于，所述深...

【专利技术属性】
技术研发人员：向仲宇，
申请(专利权)人：向仲宇，
类型：发明
国别省市：四川;51