机器人碰撞检测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术实施例涉及机器人领域，公开了一种机器人碰撞检测方法、装置、电子设备及存储介质。通过采集机器人各关节的运动学参数和测量扭矩；将所述运动学参数输入至预先训练的深度网络模型，得到所述各关节的预测扭矩；根据所述各关节的所述测量扭矩与所述预测扭矩之间的差值，判断所述机器人是否发生碰撞。本方案通过采用深度学习模型做碰撞检测，避免了利用力学模型进行碰撞检测所带来的诸多缺陷。力学模型进行碰撞检测所带来的诸多缺陷。力学模型进行碰撞检测所带来的诸多缺陷。

【技术实现步骤摘要】
机器人碰撞检测方法、装置、电子设备及存储介质


[0001]本专利技术实施例涉及机器人领域，特别涉及一种机器人碰撞检测方法、装置、电子设备及存储介质。

技术介绍

[0002]目前工业机械臂或者机器人领域为了保护人身安全，加入了碰撞检测功能，即机器人在无预知的情况下碰到人或者周围物体时可以检测到碰撞，马上停下来或者进入柔顺模式，以免伤到人或者损坏周围物体。
[0003]业内通用的碰撞检测算法一般是基于牛顿
‑
欧拉方程或者欧拉
‑
拉格朗日方程等力学模型建立起的，其方程比较复杂，需要先每个关节建立参考坐标系，计算每个关节的运动学参数，比如线速度、旋转速度、位置、姿态、旋转加速度、线加速度等，再计算每个关节的力和力矩，其模型参数的回归会受到每个执行器的制造差异的影响，比如电流/力矩的非线性化、旋转轴的摩擦力、装配的精度误差、执行器速度_位置数据采集误差等都会影响到最终参数的辨识结果，并导致在使用时发生误触发碰撞检测，且回归所用的激励舞蹈都需要是精心设计的特定动作。

技术实现思路

[0004]本专利技术实施方式的目的在于提供一种机器人碰撞检测方法、装置、电子设备及存储介质，通过采用深度学习模型做碰撞检测，避免了利用力学模型进行碰撞检测所带来的以上缺陷。
[0005]为解决上述技术问题，本专利技术的实施方式提供了一种机器人碰撞检测方法，包括：
[0006]采集机器人各关节的运动学参数和测量扭矩；
[0007]将所述运动学参数输入至预先训练的深度网络模型，得到所述各关节的预测扭矩；
[0008]根据所述各关节的所述测量扭矩与所述预测扭矩之间的差值，判断所述机器人是否发生碰撞。
[0009]本专利技术的实施方式还提供了一种机器人碰撞检测装置，包括：
[0010]采集模块，用于采集机器人各关节的运动学参数和测量扭矩；
[0011]预测模块，用于将所述运动学参数输入至预先训练的深度网络模型，得到所述各关节的预测扭矩；
[0012]判断模块，用于根据所述各关节的所述测量扭矩与所述预测扭矩之间的差值，判断所述机器人是否发生碰撞。
[0013]本专利技术的实施方式还提供了一种电子设备，包括：
[0014]至少一个处理器；以及，
[0015]与所述至少一个处理器通信连接的存储器；其中，
[0016]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一
个处理器执行，以使所述至少一个处理器能够执行如上所述的机器人碰撞检测方法。
[0017]本专利技术的实施方式还提供了一种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上所述的机器人碰撞检测方法。
[0018]本专利技术实施方式相对于现有技术而言，通过采集机器人各关节的运动学参数和测量扭矩；将运动学参数输入至预先训练的深度网络模型，得到各关节的预测扭矩；根据各关节的测量扭矩与预测扭矩之间的差值，判断机器人是否发生碰撞。本方案相较于传统的利用力学模型进行碰撞检测，具有如下优势：
[0019]1、深度网络模型是基于数据特征学习和驱动的，可以避免建立复杂的力学模型，适用于各种型号、大小、形式的串行机械臂或者机器人，模型适用性广泛且简单易懂；
[0020]2、基于深度网络模型的数据特征学习，可以自适应由于制造差异和数据采集误差的数据特征，且对于训练的舞蹈没有特殊要求，普通舞蹈动作都可以用来学习训练，省去了设计激励舞蹈；
[0021]3、深度网络模型都可以预训练，再针每台机器人做迭代训练，这样可以省去初始参数的训练过程，有利于快速部署；
[0022]4、深度网络模型的迭代学习，使得其具有比较强的泛化能力，比如在机器人发生物理改变时，如某个关节的尺寸发生改变，只需要在原有参数基础上做简单的迭代训练即可再次使用；再比如某个舞蹈发生了误触发碰撞，只需将这个舞蹈做简单的迭代训练即可解决这个问题，但传统的力学模型则需要修改模型或者人为调参才可以，非常耗时耗力。
附图说明
[0023]一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
[0024]图1是根据本专利技术第一实施方式的机器人碰撞检测方法的具体流程图；
[0025]图2是根据本专利技术第一实施方式中构建编码网络的过程流程图；
[0026]图3是根据本专利技术第一实施方式中编码网络的结构示意图；
[0027]图4是根据本专利技术第一实施方式中构建解码网络的过程流程图；
[0028]图5是根据本专利技术第一实施方式中解码网络的结构示意图；
[0029]图6是根据本专利技术第二实施方式中机器人碰撞检测装置的结构示意图；
[0030]图7是根据本专利技术第三实施方式的电子设备的结构示意图。
具体实施方式
[0031]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本专利技术各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。
[0032]本专利技术的第一实施方式涉及一种机器人碰撞检测方法，该方法适用于工业机械臂或机器人在运动过程(如舞蹈、施工作业等)中的碰撞检测。如图1所示，该机器人碰撞检测方法包括如下步骤：
[0033]步骤101：采集机器人各关节的运动学参数和测量扭矩。
[0034]具体地，在机器人运动过程中，采集机器人本体上各关节的运动学参数和测量扭矩，该机器人可以为串联机器人。例如，以某一跳舞机器人本体的躯干关节为例，这些躯干关节从下至上依次包含Kneel(1号关节)、Trunk_yaw(2号关节)、Trunk_pitch(3号关节)、Trunk_roll(4号关节)。在机器人跳舞时，以200hz频率采集机器人各躯干关节的运动学参数和测量扭矩，将一次采集的运动学参数和测量扭矩作为一组数据，进行后续碰撞检测过程。
[0035]其中，所述运动学参数至少包括：关节的位置(pos)、速度(vel)和加速度(acc)。同一组内的测量扭矩(effort)可以认为是基于该组内的运动学参数产生的实际扭矩。
[0036]步骤102：将运动学参数输入至预先训练的深度网络模型，得到各关节的预测扭矩。
[0037]其中，预先训练的深度网络模型的输入为任一次采集的机器人各关节的运动学参数，输出为基于输入的各关节的运动学参数进行模型预测得到的相应关节的预测扭矩。
[0038]本实施例中，对于深度网络模型的网络结构和构建过程不做限定。例如该深度网络模型可以采用编码网络
‑
解码网络(Encoder
‑
Decoder)的模型框架构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机器人碰撞检测方法，其特征在于，包括：采集机器人各关节的运动学参数和测量扭矩；将所述运动学参数输入至预先训练的深度网络模型，得到所述各关节的预测扭矩；根据所述各关节的所述测量扭矩与所述预测扭矩之间的差值，判断所述机器人是否发生碰撞。2.根据权利要求1所述的方法，其特征在于，所述深度网络模型采用编码网络
‑
解码网络的模型框架构建。3.根据权利要求2所述的方法，其特征在于，构建所述编码网络的过程包括：创建输入层，以及与所述机器人的各关节一一对应的多个第一隐藏层；每个所述第一隐藏层用于从所述输入层接收对应关节的运动学参数的第一输入数据，并基于所述第一输入数据生成第一输出数据；对各所述第一隐藏层按第一顺序进行排序，形成第一序列；针对所述第一序列中每相邻两个第一隐藏层，将排序在前的第一隐藏层的所述第一输入数据、所述第一输出数据，与排序在后的第一隐藏层的所述第一输入数据叠加，作为所述排序在后的第一隐藏层的更新后的所述第一输入数据；其中，所述第一序列中非首个第一隐藏层的所述第一输出数据基于该第一隐藏层的更新后的所述第一输入数据生成，且所述第一序列中最后一个第一隐藏层的所述第一输出数据为所述编码网络的输出数据。4.根据权利要求3所述的方法，其特征在于，构建所述解码网络的过程包括：创建输出层，以及与所述机器人的各关节一一对应的多个第二隐藏层；每个所述第二隐藏层用于接收所述编码网络的输出数据作为该第二隐藏层的第二输入数据，并将基于所述第二输入数据生成的第二输出数据通过所述输出层输出，得到对应关节的预测扭矩；对各所述第二隐藏层按第二顺序进行排序，形成第二序列；针对所述第二序列中每相邻两个第二隐藏层，将排序在前的第二隐藏层的所述第二输出数据与排序在后的第二隐藏层的所述第二输入数据叠加，作为所述排序在后的第二隐藏层的更新后的所述第二输入数据；其中，所述第二序列中非首个第二隐藏层的所述第二输出数...

【专利技术属性】
技术研发人员：冯长柱，
申请(专利权)人：达闼科技北京有限公司，
类型：发明
国别省市：