【技术实现步骤摘要】
一种基于深度学习的四足机器人足端地面滑移率估计方法
[0001]本专利技术属于自动控制
，具体涉及一种基于深度学习的四足机器人足端地面滑移率估计方法。
技术介绍
[0002]地面滑移率是四足机器人力伺服控制的关键参数，其用于构建单腿足端力输出时对应的摩擦圆锥约束，从而保证机器人足端在支撑时不会打滑。四足机器人在不同地形上足端的滑移率是不一样的，因此需要实现对地面滑移率的在线估计与拟合，从而才能对摩擦圆锥系数进行动态调节，对于传统控制策略假设固定滑移率下并设定不变的摩擦系数，需要提出更好的方案来更好地适应复杂地形。
技术实现思路
[0003](一)要解决的技术问题
[0004]本专利技术要解决的技术问题是：如何提供一种四足机器人足端地面滑移率估计方法。
[0005](二)技术方案
[0006]为解决上述技术问题，本专利技术提供一种基于深度学习的四足机器人足端地面滑移率估计方法，其采用深度学习网络对地形语义属性进行在线判别同时结合GPS定位结果与地质数据匹配获取准确的滑移率，所述方法
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的四足机器人足端地面滑移率估计方法，其特征在于，采用深度学习网络对地形语义属性进行在线判别同时结合GPS定位结果与地质数据匹配获取准确的滑移率，所述方法包括如下步骤：步骤1：基于机器人结构参数与单腿构型，使用运动学正解计算各腿足端在机体坐标系{B}下的三维位置；首先基于运动学正解使用关节角度反馈值c计算胯关节坐标系{H}下的单腿足端位置：P
iH
＝f(c1,c2,c3),i＝1
…
4其中f(c1,c2,c3)对应单腿构型的运动学正解计算函数，定义机器人坐标系描述，其中{H}为髋关节坐标系，xH轴朝向机头，zH轴竖直向上，yH轴与xH轴、zH轴成右手关系，其中{B}为机体节坐标系，xB轴朝向机头，zB轴竖直向上，yB轴与xB轴、zB轴成右手关系，定义机器人大腿角度c1、小腿角度c2和跨关节角度c3，由于计算方式相同此处省略i，侧摆电机相对跨关节的偏差为L3，大腿长度为L1，小腿长度为L2，则运动学正解计算流程如下：基于机器人机体宽度W和长度H将末端在胯关节坐标系{H}下的计算结果转换到机体坐标系{B}下：使用机载IMU对机器人姿态进行测量得到对应的四元数[q
0 q
1 q
2 q3]，则计算出由机体坐标系{B}转换到全局坐标系{N}下的转换矩阵并计算出支撑腿足端在全局坐标系{N}下的位置则足端速度在全局坐标系{N}下由位置微分得到步骤2：使用感知系统基于RGB图像对地形语义的识别结果定义为地形材质语义Tr；设机体坐标系{B}下机体速度为V＝{u,v,w}，机体角速度为w＝{p,q,r}，第i条腿的关节角度为C＝{c
i,1
,c
i,2
,c
i,3
}，第i条腿的关节角速度为对运动学得到的足端位置进行微分，获取当前胯关节坐标系{H}下的足端速度定义机体速度、机体角速度、关节角度、关节角速度、足端位置、足端速度均为传感器测量数据；步骤3：将上述传感器测量数据进行预处理，训练样本将在多种地形上采集上述传感器测量数据；将所得传感器测量数据按时间顺序存入历史数据集中；所述历史数据集包括：机体速度数据集、机体角速度数据集、关节角度数据集、关节角速度数据集、足端位置数据集、足端速度数据集以及地形材质语义数据集，则定义t时刻历史数据集的原始数据形式为：步骤4：对历史数据集中的数据进行处理，获得处理后的数据集；依据时间信息，将历史数据集中的数据按照一定预设的比例分为训练集、测试集、验证集；
编码训练集、测试集、验证集数据：对历史数据集中的训练集数据进行标准化处理，定义X
l
为标准化处理后的数据集，x
l,t
为t时刻标准化处理后的元素数据：为t时刻标准化处理后的元素数据：为该数据集的平均值，s(X
o
)为该数据集的标准差，则该数据归一化后为||X
l
||，采用同样的方法对测...
【专利技术属性】
技术研发人员：苏波，江磊，田翀，邢伯阳，刘宇飞，王志瑞，梁振杰，赵建新，邱天奇，许鹏，许威，党睿娜，
申请(专利权)人：中国北方车辆研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。