一种机器人的动作控制方法和系统技术方案

本发明专利技术实施例提供了一种机器人的动作控制方法和系统。所述方法包括：构建多个不同动作类型的第一神经网络动作模型，当需要控制所述机器人进行动作时，选择第一动作类型，根据所述第一动作类型，从所述多个不同动作类型的第一神经网络动作模型中确定第二神经网络动作模型，获取所述第二神经网络动作模型输出的动作数据，采用所述动作数据控制所述机器人进行动作，采用本发明专利技术基于神经网络的机器人控制方案，无需技术人员手动处理大量数据，降低劳动成本，另外，还能使机器人的动作更加顺滑，拟人程度更高。人程度更高。人程度更高。

【技术实现步骤摘要】
一种机器人的动作控制方法和系统


[0001]本专利技术涉及机器人控制的
，特别是涉及一种机器人的动作控制方法和系统。

技术介绍

[0002]目前，实现对机器人的动作控制主要采用研发人员编写机器人的运动程序脚本的方法。具体为，建立空间坐标系，基于空间坐标系编写机器人的各个关节的运动轨迹坐标，在机器人进行动作时，机器人的各个关节按照运动轨迹坐标移动。然而，此方法存在以下缺点：第一，需要研发人员编写以及输入大量的坐标数据，耗费大量的时间人力成本；第二，编写的运动程序脚本固定，机器人的各个关节只能按照编写好的轨迹进行动作，机器人的动作固定；第三，机器人的动作僵硬不自然，拟人程度较低。

技术实现思路

[0003]鉴于上述问题，提出了本专利技术实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种机器人的动作控制方法和相应的一种机器人的动作控制系统。
[0004]为了解决上述问题，本专利技术实施例公开了一种机器人的动作控制方法，所述方法包括：
[0005]构建多个不同动作类型的第一神经网络动作模型；
[0006]当需要控制所述机器人进行动作时，选择第一动作类型；
[0007]根据所述第一动作类型，从所述多个不同动作类型的第一神经网络动作模型中确定第二神经网络动作模型；
[0008]获取所述第二神经网络动作模型输出的动作数据；
[0009]采用所述动作数据控制所述机器人进行动作。
[0010]可选地，构建多个不同动作类型的第一神经网络动作模型的步骤包括：
[0011]基于动作类型，采集多组人体动作样本数据；
[0012]采用所述多组人体动作样本数据构建所述动作类型对应的第一神经网络动作模型；
[0013]重复上述步骤，得到多个不同动作类型的第一神经网络动作模型。
[0014]可选的，采用所述多组人体动作样本数据构建第一神经网络动作模型的步骤包括：
[0015]构建初始神经网络模型；
[0016]对所述初始神经网络模型的权值进行初始化配置；
[0017]将所述多组人体动作样本数据输入到所述初始神经网络模型，得到模型输出值；
[0018]计算所述模型输出值与目标值的误差；
[0019]根据所述误差更新所述初始神经网络模型的权值，得到第一神经网络动作模型。
[0020]可选地，所述初始神经网络模型包括卷积层、下采样层以及全连接层，将所述多组
人体动作样本数据输入到所述初始神经网络模型，得到模型输出值的步骤包括：
[0021]将所述多组人体动作样本数据输入到所述卷积层进行卷积操作，得到第一特征数据；
[0022]将所述第一特征数据输入到所述下采样层进行池化操作，得到第二特征数据；
[0023]将所述第二特征数据输入到所述全连接层进行分类操作，得到所述模型输出值。
[0024]本专利技术实施例还公开了一种机器人的动作控制系统，所述系统包括：
[0025]第一神经网络动作模型构建模块，用于构建多个不同动作类型的第一神经网络动作模型；
[0026]第一动作类型选择模块，用于当需要控制所述机器人进行动作时，选择第一动作类型；
[0027]第二神经网络动作模型确定模块，用于根据所述第一动作类型，从所述多个不同动作类型的第一神经网络动作模型中确定第二神经网络动作模型；
[0028]动作数据获取模块，用于获取所述第二神经网络动作模型输出的动作数据；
[0029]动作执行模块，用于采用所述动作数据控制所述机器人进行动作。
[0030]可选地，所述第一神经网络动作模型构建模块包括：
[0031]人体动作样本数据采集子模块，用于基于动作类型，采集多组人体动作样本数据；
[0032]第一神经网络动作模型构建子模块，用于采用所述多组人体动作样本数据构建所述动作类型对应的第一神经网络动作模型；
[0033]重复构建子模块，用于重复上述步骤，得到多个不同动作类型的第一神经网络动作模型。
[0034]可选地，所述第一神经网络动作模型构建子模块包括：
[0035]初始神经网络模型构建单元，用于构建初始神经网络模型；
[0036]权值配置单元，用于对所述初始神经网络模型的权值进行初始化配置；
[0037]模型输出值获取单元，用于将所述多组人体动作样本数据输入到所述初始神经网络模型，得到模型输出值；
[0038]误差计算单元，用于计算所述模型输出值与目标值的误差；
[0039]权值更新单元，用于根据所述误差更新所述初始神经网络模型的权值，得到第一神经网络动作模型。
[0040]可选地，所述初始神经网络模型包括卷积层、下采样层以及全连接层，所述模型输出值获取单元包括：
[0041]卷积操作单元，用于将所述多组人体动作样本数据输入到所述卷积层进行卷积操作，得到第一特征数据；
[0042]池化操作单元，用于将所述第一特征数据输入到所述下采样层进行池化操作，得到第二特征数据；
[0043]分类操作单元，用于将所述第二特征数据输入到所述全连接层进行分类操作，得到所述模型输出值。
[0044]本专利技术实施例包括以下优点：在本专利技术实施例中，构建多个不同动作类型的第一神经网络动作模型，当需要控制所述机器人进行动作时，选择第一动作类型，根据所述第一动作类型，从所述多个不同动作类型的第一神经网络动作模型中确定第二神经网络动作模
型，获取所述第二神经网络动作模型输出的动作数据，采用所述动作数据控制所述机器人进行动作，采用本专利技术基于神经网络的机器人控制方案，无需技术人员手动处理大量数据，降低劳动成本，另外，还能使机器人的动作拟人程度更高。
附图说明
[0045]图1是本专利技术的一种机器人的动作控制方法实施例一的步骤流程图。
[0046]图2是本专利技术的一种机器人的动作控制系统实施例一的结构框图。
具体实施方式
[0047]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0048]参照图1，示出了本专利技术的一种机器人的动作控制方法实施例一的步骤流程图，具体可以包括如下步骤：
[0049]步骤101，构建多个不同动作类型的第一神经网络动作模型；
[0050]首先，构建多个不同动作类型的第一神经网络动作模型。其中，所述动作类型可以由技术人员根据实际需要进行定义，所述动作类型可以为奔跑、跳跃、下蹲等等，本专利技术对此不作进一步的限制。在本专利技术实施例中，构建奔跑动作的第一神经网络动作模型、跳跃动作的第一神经网络动作模型、下蹲动作的第一神经网络动作模型等多个不同动作类型的第一神经网络动作模型。
[0051]具体的，构建多个不同动作类型的第一神经网络动作模型的步骤包括：
[0052]基于动作类型，采集多组人体动作样本数据；
[0053]其中，所述多组人体动作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机器人的动作控制方法，其特征在于，所述方法包括：构建多个不同动作类型的第一神经网络动作模型；当需要控制所述机器人进行动作时，选择第一动作类型；根据所述第一动作类型，从所述多个不同动作类型的第一神经网络动作模型中确定第二神经网络动作模型；获取所述第二神经网络动作模型输出的动作数据；采用所述动作数据控制所述机器人进行动作。2.根据权利要求1所述的方法，其特征在于，构建多个不同动作类型的第一神经网络动作模型的步骤包括：基于动作类型，采集多组人体动作样本数据；采用所述多组人体动作样本数据构建所述动作类型对应的第一神经网络动作模型；重复上述步骤，得到多个不同动作类型的第一神经网络动作模型。3.根据权利要求2所述的方法，其特征在于，采用所述多组人体动作样本数据构建第一神经网络动作模型的步骤包括：构建初始神经网络模型；对所述初始神经网络模型的权值进行初始化配置；将所述多组人体动作样本数据输入到所述初始神经网络模型，得到模型输出值；计算所述模型输出值与目标值的误差；根据所述误差更新所述初始神经网络模型的权值，得到第一神经网络动作模型。4.根据权利要求3所述的方法，其特征在于，所述初始神经网络模型包括卷积层、下采样层以及全连接层，将所述多组人体动作样本数据输入到所述初始神经网络模型，得到模型输出值的步骤包括：将所述多组人体动作样本数据输入到所述卷积层进行卷积操作，得到第一特征数据；将所述第一特征数据输入到所述下采样层进行池化操作，得到第二特征数据；将所述第二特征数据输入到所述全连接层进行分类操作，得到所述模型输出值。5.一种机器人的动作控制系统，其特征在于，所述系统包括：第一神经网络动作模型构建模块，用于构建多个不同动作类型的第一神经网络动作模型；第一动作类型选择模块，用于当需要控制所述机器人进行动作时，选择第一动作类型；第二神经网络动作模型确定模块，用于根...

【专利技术属性】
技术研发人员：黄昌正，周言明，陈曦，王映西，
申请(专利权)人：广州幻境科技有限公司幻境虚拟现实科技广州有限公司，
类型：发明
国别省市：