机器人姿态预适应控制方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种机器人姿态预适应控制方法、装置、电子设备及存储介质，用于解决现有四足机器人落足动态稳定性差的技术问题。方法包括：控制四足机器人进行落足移动；采集四足机器人的实时姿态信息，并将实时姿态信息与预设工作姿态信息进行比对，获得姿态误差；将姿态误差输入优化概率神经网络中进行加权系数调整，获得调整姿态误差；通过调整姿态误差对PID控制器的控制参数进行优化，并采用优化后的PID控制器对四足机器人进行姿态修正，控制四足机器人的姿态稳定在预设工作姿态，从而通过实时计算姿态误差并进行姿态修正，可以使四足机器人的姿态稳定在预设工作姿态，确保四足机器人落足动态稳定性。机器人落足动态稳定性。机器人落足动态稳定性。

【技术实现步骤摘要】
机器人姿态预适应控制方法、装置、电子设备及存储介质


[0001]本专利技术涉及机器人姿态控制
，尤其涉及一种机器人姿态预适应控制方法、装置、电子设备及存储介质。

技术介绍

[0002]随着人工智能的迅速发展，机器人逐渐成为相关领域的研究热点，各大研究机构、企业也已研发制造出形态各异的机器人，以当前较为热门的四足机器人为例，四足机器人是一种仿生机器人，其设计灵感来源于动物的四肢运动，四足机器人的每条机械足都至少配置了一个电机以及传感器，且采用机械足作为运动载体，相对于传统轮式或履带式设计更具有灵活性，从而使得四足机器人可以在各种地形或者环境中移动，如平坦地面、凹凸地形、上行或者下行的楼梯、狭窄空间或者其他比较危险的环境，在实际应用中，还会将四足机器人用于探索未知区域、执行危险任务或者进行救援工作等。
[0003]目前相关技术中，当控制四足机器人执行任务时，四足机器人主要依靠各条机械足中的传感器对当前地形或环境进行实时预测，并基于实时预测的反馈信号控制下一步的动作，此时由于信号的反馈误差，四足机器人的姿态调节实际上是相对滞后的，如果在较为平坦的地面上移动，由于滞后所造成的影响较小，能够较好地完成任务，但如果在较为复杂的地形中移动，特别是当遇到较大的障碍物需要进行避障时，在进行落足运动时，四足机器人无法及时做出反应，使得四足机器人的落足动态稳定性差，影响任务执行。

技术实现思路

[0004]本专利技术提供了一种机器人姿态预适应控制方法、装置、电子设备及存储介质，用于解决或部分解决现有相关技术中四足机器人落足动态稳定性差的技术问题。
[0005]本专利技术提供的一种机器人姿态预适应控制方法，所述方法包括：
[0006]控制四足机器人进行落足移动，所述四足机器人中设有PID控制器；
[0007]采集所述四足机器人的实时姿态信息，并将所述实时姿态信息与预设工作姿态信息进行比对，获得姿态误差；
[0008]将所述姿态误差输入优化概率神经网络中进行加权系数调整，获得调整姿态误差；
[0009]通过所述调整姿态误差对所述PID控制器的控制参数进行优化，并采用优化后的PID控制器对所述四足机器人进行姿态修正，控制所述四足机器人的姿态稳定在预设工作姿态。
[0010]可选地，所述方法还包括：
[0011]在仿真建模环境中搭建与所述四足机器人对应的仿生机器人以及世界坐标系，并将所述世界坐标系的固定坐标设置在所述仿生机器人的主躯干几何中心位置，作为参考坐标系；
[0012]获取所述四足机器人的各个机械足参数，结合所述参考坐标系以及所述各个机械
足参数，确定所述仿生机器人各个机械足的关节坐标位置信息；
[0013]搭建深度强化学习框架，并通过自监督学习对所述深度强化学习框架中用于执行控制的执行器网络进行训练，将训练后的执行器网络嵌入至所述仿真建模环境；
[0014]通过训练后的执行器网络对各个所述机械足的各个关节进行控制仿真训练，基于控制仿真训练结果并结合各个所述关节坐标位置信息，生成所述四足机器人各个所述机械足的关节形态数据。
[0015]可选地，在所述搭建深度强化学习框架之前，所述方法还包括：
[0016]获取所述四足机器人的工况数据文件，对所述工况数据文件进行数据清洗，并将进行数据清洗后的工况数据文件存储为与所述深度强化学习框架格式对应的深度强化数据；
[0017]所述搭建深度强化学习框架的步骤，包括：
[0018]确定所述四足机器人对应的深度学习体系结构，基于所述深度强化数据对所述深度学习体系结构的配置文件进行参数定义，获得深度强化学习网络结构；
[0019]采用求解器对所述深度强化学习网络结构进行模型优化，并确定用于深度强化学习的梯度下降信息；
[0020]采用预设二进制卷积模型对进行模型优化后的深度强化学习网络结构进行训练，获得对应的深度强化学习框架。
[0021]可选地，所述方法还包括：
[0022]获取所述四足机器人各个所述机械足的关节形态数据，并从所述关节形态数据中选取预设数量的数据作为样本数据；
[0023]构建概率神经网络，随机从所述样本数据中筛选训练样本数据，将所述训练样本数据输入至所述概率神经网络；
[0024]以所述四足机器人的不同步态特征作为期望输出矢量，对所述概率神经网络进行训练，并输出对应的训练期望值，所述步态特征包括行走、缓行、踱步、小跑、慢跑以及奔跑；
[0025]随机从所述样本数据中筛选测试样本数据，将所述测试样本数据输入至训练后的概率神经网络进行性能校验，并将各层神经元间的连接权值代回至所述训练后的优化概率神经网络中；
[0026]基于所述连接权值对所述测试样本数据进行回归模拟，输出仿真测试值；
[0027]当所述训练期望值与所述仿真测试值完全重合时，表示概率神经网络训练完成，获得用于对所述四足机器人进行姿态误差调整的优化概率神经网络。
[0028]可选地，在所述控制四足机器人进行落足移动之前，所述方法还包括：
[0029]采集探测区域的局部地图信息，所述局部地图信息中包含局部障碍物高程信息以及探测区域坐标原点；
[0030]通过所述局部障碍物高程信息进行避障分析，确定落足安全区域，所述落足安全区域对应一高程信息；
[0031]根据所述探测区域坐标原点、所述高程信息及预设地图网格尺寸，计算安全落足点信息；
[0032]通过所述安全落足点信息计算出所述四足机器人落足后的落足姿态信息，将所述落足姿态信息作为预设工作姿态信息，并将所述落足姿态信息对应的姿态作为预设工作姿
态。
[0033]可选地，所述四足机器人的实时姿态信息通过电子罗盘、雷达、摄像头以及姿态传感器进行采集，所述电子罗盘内部包括三维磁阻传感器、双轴倾角传感器以及微控制器MCU，其中，所述三维磁阻传感器用于测量地球磁场，所述双轴倾角传感器用于当所述三维磁阻传感器处于非水平状态时进行角度补偿，所述微控制器MCU用于处理所述三维磁阻传感器以及所述双轴倾角传感器的信号、数据输出、软铁补偿以及硬铁补偿。
[0034]可选地，所述三维磁阻传感器采用三个互相垂直的第一磁阻传感器、第二磁阻传感器以及第三磁阻传感器组成，其中，所述第一磁阻传感器用于检测向前方向的第一地磁场强度信号，所述第二磁阻传感器用于检测向左方向的第二地磁场强度信号，所述第二磁阻传感器用于检测向下方向的第三地磁场强度信号。
[0035]可选地，所述方法还包括：
[0036]若所述电子罗盘与地表面平行，则采用向前方向的第一地磁场强度分矢量与向左方向的第二地磁场强度分矢量进行计算，确定所述电子罗盘的方位角值，并将所述方位角值添加至所述四足机器人的实时姿态信息；
[0037]若所述电子罗盘发生倾斜，则采用所述双轴倾角传感器测量所述电子罗盘的俯仰角以及侧倾角，所述俯仰角表示所述电子罗盘由前向后方向的角度变化，所述侧倾角表示所述电子罗盘由左至本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机器人姿态预适应控制方法，其特征在于，包括：控制四足机器人进行落足移动，所述四足机器人中设有PID控制器；采集所述四足机器人的实时姿态信息，并将所述实时姿态信息与预设工作姿态信息进行比对，获得姿态误差；将所述姿态误差输入优化概率神经网络中进行加权系数调整，获得调整姿态误差；通过所述调整姿态误差对所述PID控制器的控制参数进行优化，并采用优化后的PID控制器对所述四足机器人进行姿态修正，控制所述四足机器人的姿态稳定在预设工作姿态。2.根据权利要求1所述的机器人姿态预适应控制方法，其特征在于，还包括：在仿真建模环境中搭建与所述四足机器人对应的仿生机器人以及世界坐标系，并将所述世界坐标系的固定坐标设置在所述仿生机器人的主躯干几何中心位置，作为参考坐标系；获取所述四足机器人的各个机械足参数，结合所述参考坐标系以及所述各个机械足参数，确定所述仿生机器人各个机械足的关节坐标位置信息；搭建深度强化学习框架，并通过自监督学习对所述深度强化学习框架中用于执行控制的执行器网络进行训练，将训练后的执行器网络嵌入至所述仿真建模环境；通过训练后的执行器网络对各个所述机械足的各个关节进行控制仿真训练，基于控制仿真训练结果并结合各个所述关节坐标位置信息，生成所述四足机器人各个所述机械足的关节形态数据。3.根据权利要求2所述的机器人姿态预适应控制方法，其特征在于，在所述搭建深度强化学习框架之前，所述方法还包括：获取所述四足机器人的工况数据文件，对所述工况数据文件进行数据清洗，并将进行数据清洗后的工况数据文件存储为与所述深度强化学习框架格式对应的深度强化数据；所述搭建深度强化学习框架的步骤，包括：确定所述四足机器人对应的深度学习体系结构，基于所述深度强化数据对所述深度学习体系结构的配置文件进行参数定义，获得深度强化学习网络结构；采用求解器对所述深度强化学习网络结构进行模型优化，并确定用于深度强化学习的梯度下降信息；采用预设二进制卷积模型对进行模型优化后的深度强化学习网络结构进行训练，获得对应的深度强化学习框架。4.根据权利要求2或3所述的机器人姿态预适应控制方法，其特征在于，还包括：获取所述四足机器人各个所述机械足的关节形态数据，并从所述关节形态数据中选取预设数量的数据作为样本数据；构建概率神经网络，随机从所述样本数据中筛选训练样本数据，将所述训练样本数据输入至所述概率神经网络；以所述四足机器人的不同步态特征作为期望输出矢量，对所述概率神经网络进行训练，并输出对应的训练期望值，所述步态特征包括行走、缓行、踱步、小跑、慢跑以及奔跑；随机从所述样本数据中筛选测试样本数据，将所述测试样本数据输入至训练后的概率神经网络进行性能校验，并将各层神经元间的连接权值代回至所述训练后的优化概率神经网络中；
基于所述连接权值对所述测试样本数据进行回归模拟，输出仿真测试值；当所述训练期望值与所述仿真测试值完全重合时，表示概率神经网络训练完成，获得用于对所述四足机器人进行姿态误差调整的优化概率神经网络。5.根据权利要求1所述的机器人姿态预适应控制方法，其特征在于，在所述控制四足机器人进行落足移动之前，所述方法还包括：采集探测区域的局部地图信息，所述局部地图信息中包含局部障碍物高程信息以及探测区域坐标原点；通过所述局部障碍物高程信息进行避障分析，确定落足安全区域，所述落足安全区域对应一高程信息；根据所述探测区域坐标原点、所述高程信息及预设地图网格尺寸，计算安全落足点信息；通过所述安全落足点信息计算出所述四足机器人落足后的落足姿态信息，将所述落足姿态信息作为预设工作姿态信息，并将所述落足姿态信息对应的姿态作为预设工作姿态。6.根据权利要求1所述的机器人姿态预适应控制方法，其特征在于，所述四足机器人的实时姿态信息通过电子罗盘、雷达、摄像头以及姿态传感器进行采集...

【专利技术属性】
技术研发人员：唐琪，李新，范心明，李国伟，王俊波，张殷，蒋维，宋安琪，董镝，陈志平，
申请(专利权)人：广东电网有限责任公司佛山供电局，
类型：发明
国别省市：