一种基于深度学习的四足机器人侧向速度估算方法技术

本发明专利技术属于自动控制技术领域，具体涉及一种基于深度学习的四足机器人侧向速度估算方法。其基于深度学习技术通过采集机器人状态数据预测着地情况，相比传统人工阈值策略能有效提高触地判断准确率，且具有自适应学习能力，最终基于网络判别的接触状态实现对机器人运动速度的在线估计。与现有技术相比较，本发明专利技术将深度学习技术应用于四足机器人的坡度角度估算方法，解决了传统人工着地判断策略复杂、参数多、鲁棒性差的问题，通过长期收集数据进行训练最终得到高可靠、高灵敏性的着地判断神经网络，同时其在不同机器人构型和平台上具有良好的泛化和迁移能力。良好的泛化和迁移能力。良好的泛化和迁移能力。

【技术实现步骤摘要】
一种基于深度学习的四足机器人侧向速度估算方法


[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侧向速度估算方法。

技术介绍

[0002]侧向速度估计是四足机器人自身稳定控制重要的反馈，由于四足机器人往往机体宽度小于机体长度，因此其侧向控制的难度大于前向，需要基于IMU数据反馈、关节角度来估计实时侧向速度以产生相应控制力。四足机器人基于支撑腿运动学和IMU测量角度可以实现不借助外部传感器对侧向速度在线估计，但其前提是需要各腿准确的地面接触情况，而在实际接触中由于地形材质、控制稳定性的不确定性会传统策略采用的阈值方法判断接触状态存在的参数多、灵敏度差、易出错等问题。

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：如何有效降低错误接触状态判别结果对侧向速度估计的灵敏度和精确性的影响。
[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侧向速度估算方法，所述方法包括如下步骤：
[0007]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；
[0008]首先基于运动学正解使用关节角度反馈值c计算髋关节坐标系{H}下的单腿足端位置：
[0009]P
iH
＝f(c1,c2,c3),i＝1
…4[0010]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：
[0011][0012]基于机器人机体宽度W和长度H将末端在髋关节坐标系{H}下的计算结果转换到机体坐标系{B}下：
[0013][0014]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
[0015]步骤2：测量第i条腿的真实触地状态标志位TD
i
，采用全局定位传感器测量机器人速度；
[0016]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，获取当前髋关节坐标系{H}下的足端速度以及采用传感器得到的真实触地状态标志位TD
i
；
[0017]步骤3：将上述传感器测量数据进行预处理，所述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；
[0018]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，则t时刻原始数据集的形式为：
[0019][0020]网络训练用标签采用机器人真实的触地状态，其形式为：
[0021]C
td
＝{c
td,1
,c
td,2
,...,c
td,t
}；
[0022]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；
[0023]依据时间信息，将历史数据集中的数据按照一定的比例分为训练集、测试集、验证集；
[0024]编码训练集、测试集、验证集的机器人足端落地状态数据：
[0025]根据t时刻足端触地状态c
td,c
＝[TD
1,t
,TD
2,t
,TD
3,t
,TD
4,t
]，获取t时刻机器人触地状态类别C
td
＝{c
td,1
,c
td,2
,...,c
td,t
}；由于四足机器人由四条腿组成，其整体触地状态被分为了16类，如[0,0,0,0]：四个足端均未触地为触地状态类别0；[0,0,0,1]：前三个足端未触地，第四个足端触地为触地状态类别1；以此类推；
[0026]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：
[0027][0028]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试集和验证集中的数据进行处理；
[0029]将归一化处理后的数据以时间顺序重新排列为如下的矩阵，即处理后的数据集：
[0030][0031]步骤5：构建、训练、测试并验证四足机器人触地状态分类辨别神经网络；
[0032]构建四足机器人触地状态分类辨别神经网络，使用步骤4获得的处理后的数据集，对四足机器人触地状态分类辨别神经网络进行训练、测试、验证，获取最优的四足机器人触地状态分类辨别神经网络；
[0033]步骤6：在实际机器人平台上部署该最优的四足机器人触地状态分类辨别神经网络，向最终选取的四足机器人触地状态分类辨别神经网络中输入相应测量数据实现对触地情况的估计与判别，设四足机器人触地状态分类辨别神经网络判别出第i条腿触地标志位为TD
i*
，使用处于支撑腿的足端速度和位置数据来实现对机器人侧向速度的估计；
[0034]定义机器人侧向运动模型的系统状态为其包括侧向位置、速度与加速度偏差，则由k
‑
1时刻预测值对k时刻状态的预测结果为
[0035][0036]其中，Δt为系统采样时间，为使用姿态矩阵将机体加速度测量值a
B
转换到全局坐标系下的结果；对应测量值包括支撑腿的全局位置和全局速度，即采用TD
i*
来判断是否使用该条腿的测量值进行修正；当TD
i*
表示第i条腿触地标志位，其对应的测量矩阵为否则为H
i
＝03×3，进一步采用卡尔曼滤波算法进行计算，求取侧向运动状态估计值：
[0037][0038]其中，R为测量矩阵，P
k|k
‑1，P
k
为协方差矩阵，K
k
为卡尔曼增益矩阵。
[0039]其中，所述i为四足机器人腿的序号。
[0040]其中，所述步本文档来自技高网...

【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侧向速度估算方法，其特征在于，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计算髋关节坐标系{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将末端在髋关节坐标系{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：测量第i条腿的真实触地状态标志位TD
i
，采用全局定位传感器测量机器人速度；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，获取当前髋关节坐标系{H}下的足端速度以及采用传感器得到的真实触地状态标志位TD
i
；步骤3：将上述传感器测量数据进行预处理，所述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，则t时刻原始数据集的形式为：网络训练用标签采用机器人真实的触地状态，其形式为：C
td
＝{c
td,1
,c
td,2
,...,c
td,t
}；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、验证集的机器人足端落地状态数据：根据t时刻足端触地状态c
td,c
＝[TD
1,t
,TD
2,t
,TD
3,t
,TD
4,t
]，获取t时刻机器人触地状态类别C
td
＝{c
td,1
,c
td,2
,...,c
td,t
}；由于四足机器人由四条腿组成，其整体触地状态被分为了16类，如[0,0,0,0]：四个足端均未触地为触地状态类别0；[0,0,0,1]：前三个足端未触地，第四个足端触地为触地状态类别1；以此类推；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试集和验证集中的数据进行处理；将归一化处理后的数据以时间顺序重新排列为如下的矩阵，即处理后的数据集：步骤5：构建、训练、测试并验证四足机器人触地状态分类辨别神经网络；构建四足机器人触地状态分类辨别神经网络，使用步骤4获得的处理后的数据集，对四足机器人触地状态分类辨别神经网络进行训练、测试、验证，获取最优的四足机器人触地状态分类辨别神经网络；步骤6：在实际机器人平台上部署该最优的四足机器人触...

【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：