System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及人机协同技术,具体涉及一种基于人体多模态信息的主动式人机协作方法。
技术介绍
1、在共享环境和联合任务中实现人机协作的最大挑战在于如何实现在非结构、未知协作场景中协作的主动性和同步性,使机器人能够积极、灵活地与人类协同工作并减少人类的工作负担。当前的人机协作方法通常关注机器人的跟随性,仅实现了被动式的人机协作。
2、实现主动式人机协作的途径是准确预测人类的运动轨迹。过去的研究包括,采用最小急动模型、隐马尔科夫模型来估计人类的离散运动意图;利用力传感器测量交互力并建立基于交互力的运动估计方法;考虑协作对象动力学特性建立运动估计观测器实现三维运动预测。但是,这些方法通常只能实现单步/短时预测。单步/短时运动预测对控制器的实时性提出更严峻的要求,应用到实时协作系统具有挑战性。当前,常用深度学习算法构建多步预测模型,包括结合卷积层和长短期记忆网络深度学习结构、结合肌肉骨骼模型和长短时记忆网络的模型、结合残差神经网络和双向长短期记忆网络的模型。上述研究都采用了递归神经网络分析运动轨迹的时间相关性。然而,人的运动习惯和运动的规律性使得运动轨迹也存在着空间连续性。上述研究忽略了空间连续性关系,而是直接利用深度学习模拟的强大拟合力能去同时处理预测轨迹的时间相关性和空间连续性问题。对于实时协作来说,这种粗略地使用深度学习模型建立多步预测方法的方式不可避免地会导致模型复杂度增加,造成模型实时计算速度的降低。
3、此外,现有的人机协作方法缺乏对人类协作状态的精细化感知接口,机器人无法根据人类的协作状态修正运动轨迹
技术实现思路
1、本专利技术的目的是为了克服以上现有技术存在的不足,提供了一种基于人体多模态信息的主动式人机协作方法。此基于人体多模态信息的主动式人机协作方法克服了被动式人机协作中存在的协作效率低、协作舒适性平稳性差、协作耗时费力等问题。
2、本专利技术的目的通过以下的技术方案实现:本基于人体多模态信息的主动式人机协作方法,包括以下步骤:
3、s1、人机协作过程前,采集人类手臂运动相关的关节角度信号、人类手臂多个位置上的肌电信号及机器人的末端位置信号和力信号,并制成数据集;
4、s2、构建预测神经网络,并采用数据集中的关节角度信号和末端位置信号对预测神经网络进行训练;
5、构建估计神经网络,并采用数据集中的肌电信号和力信号对估计神经网络进行训练;
6、人机协作过程中,实时采集人类的关节角度信号和肌电信号,并分别将关节角度信号和肌电信号输入到训练好的预测神经网络和估计神经网络,以得到手臂的运动预测轨迹和三维臂力;
7、s4、构建人类协作状态的精细化感知接口:
8、
9、
10、其中,m表示预测轨迹的步数;表示第i步人的臂力输出;为机器人第i步的实际运行轨迹,i为自然数,wh表示人类输出功,δ表示机器人有效行程,表示协作舒适性量化指示,σe表示平稳性量化指标;
11、s5、将三维臂力输入到人类协作状态的精细化感知接口,以得到协作舒适性指标和平稳性量化指标;
12、s6、对协作舒适性指标和平稳性量化指标进行加权得到优化目标,采用探索迭代算法确定最优的机器人阻抗参数,再基于此阻抗参数设定机器人的阻抗模型,以实现根据交互外力修正手臂的运动预测轨迹,即期望轨迹;
13、s7、采用pd位置控制法驱动机器人执行修正的运动预测轨迹,最终实现机器人主动跟随人类运动。
14、优选的,所述预测神经网络包括依次连接的时间相关性分析模块和空间连续性分析模块;
15、所述时间相关性分析模块采用sequence-to-sequence的模型结构,集成了多层长短时记忆网络,以捕捉运动轨迹间的时序依赖关系;
16、所述空间连续性分析模块采用图结构建立预测轨迹间的关联性,以分析运动轨迹间的空间关联性。
17、优选的,所述估计神经网络采用并联的长短时记忆网络构成。
18、优选的,所述协作舒适性量化指标为人类在协作过程中的平均有效输出力,即人类输出功和机器人有效行程的比值;
19、其中,人类输出功的表达式为:
20、
21、其中,m表示预测轨迹的步数;表示第i步人的臂力输出;为机器人第i步的实际运行轨迹,i为自然数;
22、机器人有效行程的表达式为:
23、
24、则协作舒适性量化指标的表达式为:
25、
26、优选的,所述平稳性量化指标为人类在协作过程中的手臂力的波动程度,此平稳性量化指标的表达式为:
27、
28、优选的,步骤s4中,优化目标的得到过程如下:
29、
30、其中,r表示优化目标,λ1和λ2均表示权重系数。
31、优选的,步骤s6中,探索迭代算法的迭代公式为:
32、
33、其中,εn表示更新步长,且εn=c/n1/2,a表示从区间[0,1]的均匀分布中随机采样的结果,为r关于的梯度值,pn表示探索概率,r表示优化目标,n表示迭代次数,表示表示需要更新迭代的阻抗参数,表示的第n次迭代值。
34、优选的,所述阻抗模型的表达式为:
35、
36、和均表示机器人的阻抗参数,fr和分别表示机器人末端所受外部交互力及力的变化,δxr表示机器人的运动修正量。
37、优选的,所述pd位置控制法的控制律为:
38、
39、其中,kp和kd均表示pd位置控制的参数,xd和分别表示期望的轨迹和速度,xr和分别表示机器人实际的位置和速度,frb表示控制力矩。
40、优选的,所述pd位置控制法的控制律还包括以下步骤:
41、基于步骤s6修正后的运动预测轨迹,结合机器人动力学方程计算前馈力矩补偿项,前馈补偿量frf为:
42、
43、其中,mr(xr)、gr(xr)表示机器人动力学参数,为期望轨迹的速度和加速度;
44、接着,基于的结果,再结合的计算力矩,得到机器的控制力矩为:
45、
46、本专利技术相对于现有技术具有如下的优点:
47、本专利技术相比于现有的人机协作方法,针对预测轨迹存在的时间相关性和空间连续性问题,采用模块化设计思想设计了兼顾时空特性的预测神经网络,实现了人类运动轨迹的精确预测,降低了模型的复杂度,提高了人机协作的实时性;采用并联长短时记忆网络实现了三维臂力的同步估计;建立了人类协作状态的精细化感知接口,实现了人机协作系统的双向反馈;利用了探索迭代学习算法实现了机器人最优阻抗参数的在线学习;建立机器人的阻抗模型,实现了对预测轨迹的修正;采用pd位置控制方法,实现了运动轨迹本文档来自技高网...
【技术保护点】
1.基于人体多模态信息的主动式人机协作方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于人体多模态信息的主动式人机协作方法,其特征在于,所述预测神经网络包括依次连接的时间相关性分析模块和空间连续性分析模块;
3.根据权利要求1所述的基于人体多模态信息的主动式人机协作方法,其特征在于,所述估计神经网络采用并联的长短时记忆网络构成。
4.根据权利要求1所述的基于人体多模态信息的主动式人机协作方法,其特征在于,所述协作舒适性量化指标为人类在协作过程中的平均有效输出力,即人类输出功和机器人有效行程的比值;
5.根据权利要求1所述的基于人体多模态信息的主动式人机协作方法,其特征在于,所述平稳性量化指标为人类在协作过程中的手臂力的波动程度,此平稳性量化指标的表达式为:
6.根据权利要求1所述的基于人体多模态信息的主动式人机协作方法,其特征在于,步骤S5中,优化目标的得到过程如下:
7.根据权利要求6所述的基于人体多模态信息的主动式人机协作方法,其特征在于,步骤S5中,探索迭代算法的迭代公式为:
8
9.根据权利要求1所述的基于人体多模态信息的主动式人机协作方法,其特征在于,所述PD位置控制法的控制律为:
10.根据权利要求9所述的基于人体多模态信息的主动式人机协作方法,其特征在于,所述PD位置控制法的控制律还包括以下步骤:
...【技术特征摘要】
1.基于人体多模态信息的主动式人机协作方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于人体多模态信息的主动式人机协作方法,其特征在于,所述预测神经网络包括依次连接的时间相关性分析模块和空间连续性分析模块;
3.根据权利要求1所述的基于人体多模态信息的主动式人机协作方法,其特征在于,所述估计神经网络采用并联的长短时记忆网络构成。
4.根据权利要求1所述的基于人体多模态信息的主动式人机协作方法,其特征在于,所述协作舒适性量化指标为人类在协作过程中的平均有效输出力,即人类输出功和机器人有效行程的比值;
5.根据权利要求1所述的基于人体多模态信息的主动式人机协作方法,其特征在于,所述平稳性量化指标为人类在协作过程...
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。