基于人类技能学习及模仿的人-机器人协同控制方法技术

本发明专利技术提供了基于人类技能学习及模仿的人

【技术实现步骤摘要】
Electronics Society,2021,pp.1
‑
6,https://doi.org/10.1109/IECON48115.2021.9589707.)。但这类方法，仅关注模仿人类的操作技能，而且没有充分考虑人
‑
机器人的直接交互，缺少机器人控制的灵活自主性。技能模仿与直接交互相结合，有助于将操作者和机器人紧密连接起来，让机器人更好地理解和执行人类的运动意图。

技术实现思路

[0006]本专利技术的目的是提供基于人类技能学习及模仿的人
‑
机器人协同控制方法，旨在将人类的通过感知外界的力量变化调节跟随的速度的技能传递给机器人，使机器人具有更加柔顺的协作能力。
[0007]本专利技术至少通过如下技术方案之一实现。
[0008]基于人类技能学习及模仿的人
‑
机器人协同控制方法，该方法包括信号采集及处理、三维手臂力量估计模型的构建、人类协作技能模仿模型的构建和人
‑
机器人协作，分别对应如下步骤：
[0009]步骤1、人类导师通过施加不同的大小和方向的手臂力量拖动机器人自由运动，采集该过程中人类导师的手臂运动信号(包括手臂肌肉群的肌电信号和关节转角信息)和真实的手臂力量作为三维手臂力量估计模型的训练样本；并采用均方根滤波器提取肌电信号中的幅值信息，采用快速傅里叶变换提取肌电信号中震颤信息，从而完成信号采集及处理；
[0010]步骤2、采用快速正交搜索(FOS)方法，对得到的幅值信息和关节转角信息进行数据融合，获得三维运动方向的力相关信息；将获取的幅值信息、震颤信息和力相关信息作为输入，真实的手臂力量为输出，借助添加了肌电信号修正单元和输入输出控制单元的并联长短时记忆(LSTM)神经网络，构建用于估计得到三维手臂力量的三维手臂力量估计模型；
[0011]步骤3、借助三维手臂力量估计模型和角度传感器获得人类协作演示过程的手臂力量信息和速度信息，建立手臂力量为输入和运动速度为输出的回归关系，从而完成人类协作技能模仿模型的构建；
[0012]步骤4、依据构建的人类协作技能模仿模型，将估计得到的三维手臂力量直接转化为机器人的速度调整量，从而控制机器人配合人类完成协作任务。
[0013]优选的，步骤1中，所述手臂肌肉群的肌电信号包括三角肌前端，三角肌后端，肱二头肌，肱三头肌，胸大肌和冈下肌的肌电信号。其中，三角肌前端和三角肌后端为一对拮抗肌，负责X轴方向的手臂力量估计；肱二头肌和肱三头肌为一对拮抗肌，负责Y轴方向的手臂力量估计；胸大肌和冈下肌为一对拮抗肌，负责Z轴方向的手臂力量估计。实验中人类导师面向机器人基坐标系的YZ平面，手臂力量及运动方向的划分以机器人基坐标系为依据。
[0014]优选的，步骤1中，所述关节转角信息包括肘关节转角信息和肩关节转角信息。
[0015]优选的，步骤1中，所述震颤信息为4
‑
12Hz的肌电信号平均幅值，其表达式为：
[0016][0017]式中，E
FFT
为震颤信息，FE
raw
为时域信号的双边功率密度谱，其由快速傅里叶变换求得；N为样本数据量；n
min
和n
max
分别代表频率为4Hz和12Hz时对应的双边功率密度谱序列号。
[0018]优选的，步骤2中，所述FOS方法采用提取信号与实际输出臂力的相关系数作为迭代标准，提取去除关节转动影响的肌电信号的力相关信息，迭代标准的表达式为，
[0019][0020]式中，Cov(F
y
,E
y
)为力相关信息E
y
与测量臂力F
y
的协方差；Var[F
y
]为手臂力量F
y
的方差；Var[E
y
]为力相关信息E
y
的方差。
[0021]优选的，步骤2中，所述肌电信号修正单元采用基于低通离散滤波器原理的神经网络结构，
[0022]E
ES
[n]＝E
ES
[n
‑
1]+σ(E
FFT
W
E
+b
E
)(E
RMS
[n]‑
E
ES
[n
‑
1])；
[0023]式中，E
ES
[n]为第n个数据修正后的肌电信号；W
E
和b
E
为肌电信号修正单元的权值和偏置；σ(
·
)为Sigmoid函数；E
RMS
[n]为第n个经均方根滤波处理的肌电信号幅值信息。
[0024]优选的，所述输入输出控制单元采用朴素贝叶斯算法获取人类运动意图的方向，其表达式为，
[0025][0026]式中，E
RMS1
,E
RMS2
，
……
，E
RMS6
为待分类样本，分别为六块肌肉群均方根滤波后的肌电信号幅值信息；y
k
为人类运动意图方向，分为四种特征属性，分别为无输出力、X轴方向力、Y轴方向力和Z轴方向力，其中当三个方向的力均小于4N视为无输出力；P(E
RMSi
|y
k
)为特征属性发生情况下各分类样本的概率；P(y
k
)为各特征属性发生的条件概率；P(E
RMSi
)为分类样本出现的概率；y
t
为当前时刻人类运动意图方向。
[0027]优选的，步骤2中，所述并联LSTM神经网络采用三个并联结构的子LSTM神经网络分别对三维手臂力量进行估计。
[0028]优选的，步骤3中，所述人类协作技能模仿模型采用基于K
‑
means聚类的多模型高斯过程回归算法，得到手臂力量与速度调整量的回归关系(即，将手臂力量和运动速度采用K
‑
means聚类方法自动分类，根据分类结果采用多个高斯过程回归模型拟合得到手臂力量与速度调整量的回归关系)。
[0029]优选的，步骤3中，所述人类协同技能模仿模型为人类面对力量信息变化时的速度调整技能。
[0030]与现有技术相比，本专利技术的有益效果为：
[0031]本专利技术将借助肌电信号等人体运动信息获取的人体手臂力量作为人
‑
机器人交互的媒介，通过学习人类面对外界力量信息变化时的速度调节技能，控制机器人完成协作任务。采用添加了基于震颤信息的肌电信号修正单元和基于朴素贝叶斯的输入输出控制单元的并联LSTM神经网络对三维手臂力量进行估计，从而减缓肌电信号波动对交互信息准确性和稳定性的影响。采用多模型高斯过程回归算法以概率估计的方式从不准确的人类演示样本中捕获不同场景的协作技能，让协作系统具备更加柔顺的交互性能。
[0032]本专利技术借助人类技能模仿模型，可以将人体的肌电信号本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人类技能学习及模仿的人
‑
机器人协同控制方法，其特征在于，该方法包括信号采集及处理、三维手臂力量估计模型的构建、人类协作技能模仿模型的构建和人
‑
机器人协作，分别对应如下步骤：步骤1、人类导师通过施加不同的大小和方向的手臂力量拖动机器人自由运动，采集该过程中人类导师的手臂肌肉群的肌电信号和关节转角信息以及真实的手臂力量作为三维手臂力量估计模型的训练样本；并采用均方根滤波器提取肌电信号中的幅值信息，采用快速傅里叶变换提取肌电信号中震颤信息，从而完成信号采集及处理；步骤2、采用快速正交搜索方法，对得到的幅值信息和关节转角信息进行数据融合，获得三维运动方向的力相关信息；将获取的幅值信息、震颤信息和力相关信息作为输入，真实的手臂力量为输出，借助添加了肌电信号修正单元和输入输出控制单元的并联长短时记忆神经网络，构建用于估计得到三维手臂力量的三维手臂力量估计模型；步骤3、借助三维手臂力量估计模型和角度传感器获得人类协作演示过程的手臂力量信息和速度信息，建立手臂力量为输入和运动速度为输出的回归关系，从而完成人类协作技能模仿模型的构建；步骤4、依据构建的人类协作技能模仿模型，将估计得到的三维手臂力量直接转化为机器人的速度调整量，从而控制机器人配合人类完成协作任务。2.根据权利要求1所述的基于人类技能学习及模仿的人
‑
机器人协同控制方法，其特征在于，所述手臂肌肉群的肌电信号包括三角肌前端、三角肌后端、肱二头肌、肱三头肌、胸大肌和冈下肌的肌电信号。3.根据权利要求1所述的基于人类技能学习及模仿的人
‑
机器人协同控制方法，其特征在于，所述关节转角信息包括肘关节转角信息和肩关节转角信息。4.根据权利要求1所述的基于人类技能学习及模仿的人
‑
机器人协同控制方法，其特征在于，所述震颤信息为4
‑
12Hz的肌电信号平均幅值，其表达式为：式中，E
FFT
为震颤信息，FE
raw
[k]为时域信号的双边功率密度谱的第k个数值，其由快速傅里叶变换求得；N为样本数据量；n
min
和n
max
分别代表频率为4Hz和12Hz时对应的双边功率密度谱序列号。5.根据权利要求2所述的基于人类技能学习及模仿的人
‑
机器人协同控制方法，其特征在于，所述快速正交搜索方法采用提取信号与实际输出臂力的相关系数作为迭代标准，提取去除关节转动影响的力相关肌电信号幅值信息，迭代标准的表达式为，式中，Cov(F
y
,E
y
)为力相关信息E
y
与测量臂力F
y
的协方差；Var[F
y
]为手臂力量F
y

【专利技术属性】
技术研发人员：张铁，孙韩磊，邹焱飚，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：