【技术实现步骤摘要】
本专利技术涉及充电枪控制，尤其涉及一种基于意图识别的充电枪系统及充电方法。
技术介绍
1、随着科学技术的发展，充电枪的应用越来越广泛。除了用于给电动汽车充电，充电枪还可以在其他领域发挥重要作用。
2、公开号为cn114571491a的专利文献公开了一种关于基于力传感器的机器人控制装置和示教方法，该技术涉及的硬件包括机器人、示教操作部、示教盒和机器人控制器。机器人的末端配备了末端执行器，用于执行示教操作。示教操作部独立于机器人进行示教操作。示教盒与示教操作部进行通讯，用于存储示教操作部的姿态变化信息和受力信息，并获取机器人移动方向的示教信息。机器人控制器与示教盒和机器人连接，根据示教盒获取的机器人移动方向示教信息对机器人进行示教控制。
3、由此可见，所述基于力传感器的机器人控制装置和示教方法存在现有技术中使用传感器采集信息单一导致对运动意图的预测准确度低下的问题。
技术实现思路
1、为此，本专利技术提供一种基于意图识别的充电枪系统与充电方法，用以克服现有技术中使用传感器采集信息单一导致对运动意图的预测准确度低下的问题。
2、为实现上述目的，本专利技术提供一种基于意图识别的充电方法，包括以下步骤：
3、步骤s1，获取充电枪上的若干压力传感器采集的运动压力信息；
4、步骤s2，根据所述运动压力信息训练用于将所述运动压力信息转化为运动意图信息的lenet-5卷积神经网络模型，采集运动压力信息输入至完成训练的lenet-5卷积神经网
5、所述运动意图信息为空间状态下的运动轨迹；
6、步骤s3，将所述运动意图信息作为预设的期望轨迹，并根据所述期望轨迹获取预测静止位置信息；
7、步骤s4，根据所述期望轨迹和所述预测静止位置信息构建阻抗模型，并将所述阻抗模型集成于充电枪中，通过所述阻抗模型控制充电枪移动，进行充电；
8、所述步骤s4包括，通过预测静止位置和期望轨迹确定充电枪的期望位置，定义实时位置与期望位置之间的误差作为充电枪的状态量，根据充电枪的状态量，建立误差到阻抗的映射关系，并通过训练神经网络的权重和偏置构建阻抗模型，并将其集成到充电枪中，将其充电枪的位置和所受的作用力转换为位置偏差，并应用到阻抗模型，通过求解运动学方程更新充电枪的速度和位置。
9、进一步的，所述步骤s1包括：
10、使用安装在充电枪副把手的上下左右方位的十个压力传感器分别叠加计算前后方向、左右方向和/或上下方向的压力信号值。
11、进一步的，所述步骤s2包括以下步骤：
12、步骤s21，通过将所述压力信号值传递给lenet-5卷积神经网络模型进行预处理，确定归一化范围为[0，1]，在lenet-5卷积神经网络中对通过将各压力信号值减去压力信号值的最小值，再除以压力信号值的最大值和最小值的差，以形成预处理数据；
13、步骤s22，通过为各压力信号值和充电意图分配唯一的标签，将标记好的数据集划分为训练集、验证集和测试集，使用训练集对所述lenet-5卷积神经网络模型进行训练，通过反向传播算法优化模型参数将所述预处理数据与相应的充电意图进行关联，以使lenet-5卷积神经网络模型学习到不同压力信号值与不同充电意图的关系；
14、步骤s23，将采集的新一批的压力信号输入到完成训练的lenet-5卷积神经网络模型中，获得所述lenet-5卷积神经网络模型输出的相应的运动意图信息。
15、进一步的，所述步骤s22包括以下步骤：
16、步骤s221，从一级处理数据中提取出合力大小和运动趋势作为压力信号数据样本；
17、步骤s222，根据所述运动趋势为各压力信号数据样本标注向上、向下、向左和向右的运动意图信号，根据所述合力大小为各标注好运动趋势的压力信号数据样本标注压力大小对应的移动速度，为各样本分配相应的标签，以形成标注好的数据集；
18、步骤s223，使用标注好的数据集，将数据集划分为训练集和测试集，使用训练集对lenet-5卷积神经网络模型进行训练，通过反向传播算法以最小化均方误差损失函数调整模型参数，使用测试集的预测正确的样本数占总样本数的比例指标评估模型的性能；
19、若预测正确的样本数和总样本数的比值大于等于预设的准确率阈值，则评估所述lenet-5卷积神经网络模型性能满足预测要求，不需进行调整；
20、若预测正确的样本数和总样本数的比值小于预设的准确率阈值，则评估所述lenet-5卷积神经网络模型性能不满足预测要求，则通过调整l1正则化的系数调整模型。
21、进一步的，所述步骤s23包括以下步骤：
22、步骤s231，通过将所述新一批的压力信号值传递给lenet-5卷积神经网络模型进行预处理，确定归一化范围为[0，1]，在lenet-5卷积神经网络中对通过将各新一批的压力信号值减去新一批的压力信号值的最小值，再除以新一批的压力信号值的最大值和最小值的差，以形成新一批预处理数据；
23、步骤s232，使用tensorflow框架通过导入模型的权重和架构加载完成训练的lenet-5卷积神经网络模型；
24、步骤s233，将新一批预处理数据作为输入通过调用模型的前向传播方法传递给lenet-5模型，获得运动意图信息。
25、进一步的，所述步骤s3包括以下步骤：
26、步骤s31，通过运动意图信息分析出充电枪的移动速度和角度信息，根据移动速度和角度信息在笛卡尔坐标中定义一个以与运动意图信息对应的速度和角度移动的直线轨迹；
27、步骤s32，根据所述直线轨迹和移动充电枪的时间通过计算预测出完成移动后的在笛卡尔坐标中的静止位置的坐标值。
28、进一步的，所述步骤s4包括：
29、步骤s41，根据预测静止位置和期望轨迹，确定充电枪在各个时间点上的期望位置；
30、步骤s42，将期望位置与实时位置之间的误差定义为充电枪状态量；
31、步骤s43，根据充电枪状态量，建立误差到阻抗的映射关系；
32、步骤s44，通过训练神经网络的权重和偏置构建阻抗模型，并将所述阻抗模型集成到充电枪中；
33、步骤s45，获取所述充电枪当前的位置和所受的作用力，通过将实际位置和期望位置之间的差异映射到阻抗模型中，将所述充电枪的实时位置和所受的作用力转换为位置偏差，以形成阻抗模型的输出结果，将所述阻抗模型的输出结果应用到充电枪预设的动力学模型上，通过求解运动学方程更新充电枪的速度和位置。
34、进一步的，所述步骤s43包括：
35、根据充电枪状态量映射出阻抗；
36、前进期望但实际后移，映射出前推阻抗；
37、靠近目标但位置偏后，映射出前推阻抗；
38、后退期望但实际前移，映射出后推阻抗；
39、靠近目标但本文档来自技高网...
【技术保护点】
1.一种基于意图识别的充电方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于意图识别的充电方法，其特征在于，所述步骤S1包括：
3.根据权利要求2所述的基于意图识别的充电方法，其特征在于，所述步骤S2包括以下步骤：
4.所述权利要求3所述的基于意图识别的充电方法，其特征在于，所述步骤S22包括以下步骤：
5.根据权利要求4所述的基于意图识别的充电方法，其特征在于，所述步骤S23包括以下步骤：
6.根据权利要求5所述的基于意图识别的充电方法，其特征在于，所述步骤S3包括以下步骤：
7.根据权利要求6所述的基于意图识别的充电方法，其特征在于，所述步骤S4包括：
8.根据权利要求7所述的基于意图识别的充电方法，其特征在于，所述步骤S43包括：
9.根据权利要求8所述的基于意图识别的充电方法，其特征在于，所述步骤S45包括以下步骤：
10.一种基于意图识别的充电枪系统，基于权利要求1-9任一所述基于意图识别的充电方法，其特征在于，包括：
【技术特征摘要】
1.一种基于意图识别的充电方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于意图识别的充电方法，其特征在于，所述步骤s1包括：
3.根据权利要求2所述的基于意图识别的充电方法，其特征在于，所述步骤s2包括以下步骤：
4.所述权利要求3所述的基于意图识别的充电方法，其特征在于，所述步骤s22包括以下步骤：
5.根据权利要求4所述的基于意图识别的充电方法，其特征在于，所述步骤s23包括以下步骤：
6.根据权利...
【专利技术属性】
技术研发人员：柴军元，柴明智，
申请(专利权)人：沧州智慧城科技有限公司，
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。