一种机器人受冲击检测方法技术

本申请公开一种机器人受冲击检测方法

【技术实现步骤摘要】
一种机器人受冲击检测方法、芯片及机器人


[0001]本申请涉及机器人控制算法领域，涉及一种机器人受冲击检测方法
、
芯片及机器人
。

技术介绍

[0002]面向低成本轮式机器人同步定位与地图构建
(Simultaneous Localization and Mapping
，
SLAM)
领域中，相关性扫描匹配
(Correlative Scan Matching
，
CSM)
算法是一种基于激光雷达的扫描匹配算法，具体是结合搜索窗口进行扫描匹配，获取栅格地图中被激光点云占用概率最大的位姿，作为最终位姿，然而，该算法精度严重依赖初始搜索位姿的置信度
。
[0003]现有技术还可以选择以初始搜索位姿作为先验信息
,
通过扩展卡尔曼滤波
(extended Kalman filter
，
EKF)
框架融合惯性测量单元
(Inertial measurement unit
，
...

【技术保护点】

【技术特征摘要】
1.
一种机器人受冲击检测方法，其特征在于，机器人受冲击检测方法包括：步骤
A、
获取观测速度值和观测速度方向，再基于卡尔曼滤波算法获取当前时刻的预测速度值和当前时刻的预测速度方向；步骤
B、
计算观测速度值与当前时刻的预测速度值之间的差值绝对值，得到当前速度变化对应的欧式距离；计算观测速度方向与当前时刻的预测速度方向之间的夹角的余弦值，得到当前速度变化对应的余弦距离；步骤
C、
若当前速度变化对应的欧式距离大于预设欧式距离阈值，且当前速度变化对应的余弦距离小于预设余弦距离阈值，则利用目标冲击感知网络模型对待感知测量值序列进行分类处理，得到机器人当前时刻受冲击的第一预测概率与机器人当前时刻受冲击的第二预测概率；其中，待感知测量值序列是来源于机器人的感测装置采集的数据；机器人的感测装置包括惯性测量单元和旋转编码器；步骤
D、
若机器人当前时刻受冲击的第一预测概率大于机器人当前时刻受冲击的第二预测概率，则确定机器人受到冲击
。2.
根据权利要求1所述机器人受冲击检测方法，其特征在于，在所述步骤
C
中，所述利用目标冲击感知网络模型对待感知测量值序列进行分类处理，得到所述机器人当前时刻受冲击的第一预测概率与所述机器人当前时刻受冲击的第二预测概率的方法包括：步骤
C1、
利用滑动窗口从机器人的感测装置采集的原始数据中提取出待感知测量值序列；步骤
C2、
将所述待感知测量值序列输入所述目标冲击感知网络模型，生成输入特征；步骤
C3、
控制所述输入特征依次在多个卷积层内进行卷积操作，得到判别特征；再控制所述判别特征在池化层内进行平均池化处理，得到目标分类特征；其中，所述目标冲击感知网络模型包括多个卷积层和一个池化层；步骤
C4、
利用
softmax
算法对所述目标分类特征进行分类处理，得到所述机器人当前时刻受冲击的第一预测概率与所述机器人当前时刻受冲击的第二预测概率
。3.
根据权利要求2所述机器人受冲击检测方法，其特征在于，所述
softmax
算法在所述目标冲击感知网络模型中配置为
softmax
分类器；
softmax
分类器用于计算出所述机器人当前时刻受冲击的第一预测概率与所述机器人当前时刻受冲击的第二预测概率；其中，机器人当前时刻受冲击的第一预测概率是待感知测量值序列被分类为机器人当前受冲击状态下所提取的测量值序列的概率；机器人当前时刻受冲击的第二预测概率是待感知测量值序列被分类为机器人当前不受冲击状态下所提取的测量值序列的概率
。4.
根据权利要求1所述机器人受冲击检测方法，其特征在于，在执行所述步骤
C
之前，构建所述目标冲击感知网络模型；所述目标冲击感知网络模型的构建方法包括：步骤
1、
利用滑动窗口从机器人的感测装置采集的原始数据中提取出待感知测量值序列；步骤
2、
将待感知测量值序列沿着对应维度的通道连接，生成输入特征；步骤
3、
控制所述输入特征在预先构建的冲击感知神经网络内进行多层卷积操作和一
层池化操作，得到待分类特征；其中，预先构建的冲击感知神经网络包括多个卷积层和一个池化层；步骤
4、
利用
softmax
算法对步骤3所述的待分类特征进行分类处理，得到第一受冲击预测概率和第二受冲击预测概率；步骤
5、
基于损失函数，使用第一受冲击预测概率和第二受冲击预测概率计算损失值；并对所述冲击感知神经网络进行权重更新，再将权重更新后的所述冲击感知神经网络更新为所述冲击感知神经网络；其中，损失函数是二元交叉熵，第一受冲击预测概率和第二受冲击预测概率在损失函数中分别是两个分类的预测结果；当前执行步骤5中所需更新的权重是卷积层的权重；步骤
6、
重复执行步骤2至步骤5，直至最新计算出的损失值小于预设损失阈值，将最新执行的步骤5中得到的权重更新后的所述冲击感知神经网络标记为所述目标冲击感知网络模型，并确定最新执行的步骤5中得到的权重更新后的所述冲击感知神经网络是已训练的冲击感知神经网络
。5.
根据权利要求4所述机器人受冲击检测方法，其特征在于，在重复执行步骤2至步骤5的过程中，每次执行所述步骤5时，在使用损失函数计算损失值之前，判断步骤4得到的第一受冲击预测概率是否大于步骤4得到的第二受冲击预测概率，是则将损失函数所需的标签真实值设置为1，否则将损失函数所需的标签真实值设置为0；其中，所述第一受冲击预测概率是待感知测量值序列或所述待分类特征被分类为来源于机器人受冲击状态下所提取的测量值序列的概率，以形成所述
softmax
算法产生的第1个分类的概率；所述第二受冲击预测概率是待感知测量值序列或所述待分类特征被分类为来源于机器人不受冲击状态下所提取的测量值序列的概率，以形成所述
softmax
算法产生的第2个分类的概率
。6.
根据权利要求5所述机器人受冲击检测方法，其特征在于，所述损失函数包括：
L
＝
‑
(p
gtp
log(p
p
)+(1
‑
p
gtp
)log(p
np
))
，其中，
L
是损失值；
p
gtp
是标签真实值，
p
gtp
＝1时，表示当前预判结果是机器人受冲击；
p
p
是所述第一受冲击预测概率，
p
np
是所述第二受冲击预测概率；其中，损失函数是二元交叉熵，以将所述冲击感知神经网络设计为二分类网络
。7.
根据权利要求4所述机器人受冲击检测方法，其特征在于，所述冲击感知神经网络的构建方式包括：依次连接4个1维卷积层以形成连续堆叠的4个卷积层，再连接1个池化层，并将每个1维卷积层的核长度均配置为3，并将池化层内的池化操作配置为取平均值的操作，以构建出所述冲击感知神经网络；其中，卷积层的权重的原始值是随机产生；所述输入特征与卷积层的权重被配置在卷积层中进行卷积操作
。8.
根据权利要求7所述机器人受冲击检测方法，其特征在于，所述步骤3的操作方法包括：控制所述输入特征依次在所述4个1维卷积层内进行卷积操作，得到判别特征，并确定在所述冲击感知神经网络内完成多层卷积操作；然后将所述判别特征输入池化层；然后控制所述判别特征在所述池化层内进行平均池化处理，得到待分类特征，并确定
在所述冲击感知神经网络内完成池化操作
。9.
根据权利要求2或4所述机器人受冲击检测方法，其特征在于，所述输入特征的生成方法包括：按照机器人的感测装置所采集数据的类型，将各类型的待感知测量值序列沿着对应维度的通道连接，合成所述输入特征；其中，惯性测量单元包括用于感测加速度测量值的加速度计和用于感测角速度测量值的陀螺仪，旋转编码器包括用于感测左轮转动测量值的左旋转编码器和用于感测右轮转动测量值的右旋转编码器；所述待感知测量值序列是3轴角速度测量值序列
、3
轴加速度测量值序列
、1
轴左轮转动测量值序列或1轴右轮转动测量值序列，以使所述输入特征的维数至少等于8；其中，所述输入特征是设置为矩阵的形式
。10.
根据权利要求9所述机器人受冲击检测方法，其特征在于，所述目标冲击感知网络模型包括4个1维卷积层；所述4个1维卷积层依次表示为第一卷积层
、
第二卷积层
、
第三卷积层和第四卷积层；第一卷积层当中的输入层的深度是8，第一卷积层当中的输入层的深度等于所述输入特征的列元素数量；第一卷积层当中的输出层的深度等于第二卷积层当中的输入层的深度，第二卷积层当中的输出层的深度等于第三卷积层当中的输入层的深度，第三卷积层当中的输出层的深度等于第四卷积层当中的输入层的深度，以使第一卷积层
、
第二卷积层
、
第三卷积层与第四卷积层依次连接；其中，第一卷积层当中的输入层的深度与第一卷积层当中的输出层的深度之间的比值，小于第二卷积层当中的输入层的深度与第二卷积层当中的输出层的深度之间的比值；第二卷积层当中的输入层的深度与第二卷积层当中的输出层的深度之间的比值，小于第三卷积层当中的输入层的深度与第三卷积层当中的输出层的深度之间的比值；第三卷积层当中的输入层的深度与第三卷积层当中的输出层的深度之间的比值，小于第四卷积层当中的输入层的深度与第四卷积层当中的输出层的深度之间的比值
。11.
根据权利要求9所述机器人受冲击检测方法，其特征在于，所述滑动窗口在遍历原始数据的过程中保持窗口长度不变；在所述滑动窗口内，其右端遍历时刻与所述当前时刻保持一致，左端遍历时刻由窗口长度决定，使所述待感知测量值序列被配置为时间序列；所述待感知测量值序列的长度等于所述滑动窗口的窗口长度；所述原始数据包括加速度计感测的加速度
、
陀螺仪感测的角速度
、
左旋转编码器感测的左轮转动测量值和右旋转编码器感测的右轮转动测量值；左轮转动测量值包括机器人的左轮转动距离或左轮转动速率；右轮转动测量值包括机器人的右轮转动距离或右轮转动速率
。12.
根据权利要求
11
所述机器人受冲击检测方法，其特征在于，所述滑动窗口的窗口长度是数值
30。13.
根据权利要求9所述机器人受冲击检测方法，其特征在于，所述步骤...

【专利技术属性】
技术研发人员：王珂，周和文，包敏杰，戴崑，许润泽，肖刚军，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：