【技术实现步骤摘要】
本专利技术涉及机器人，特别是一种基于复合transformer模型的移动机械臂碰撞检测方法。
技术介绍
1、随着机器人技术的快速发展，移动机械臂在工业自动化、智能制造等领域的应用越来越广泛，尤其是在动态环境下的协作作业中，移动机械臂因其灵活性和高效性得到了广泛关注。然而，随着移动机械臂在复杂动态环境中的应用需求不断提高，移动机械臂碰撞检测已成为重要的研究方向。碰撞事件不仅会影响机器人的工作效率，还可能导致设备损坏或人员伤害，因此，如何在实时环境中高效、准确地识别和应对碰撞事件，成为当前研究中的一大挑战。
2、现有的碰撞检测方法主要依赖于物理传感器(如力矩传感器、imu传感器等)监测机械臂的运动状态，通过阈值设定或规则引擎来判断是否发生碰撞。这些传统方法虽然在一些静态环境中能够有效工作，但在面对动态复杂环境时，常常面临适应性差、精度不足的问题。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于复合transformer模型的移动机械臂碰撞检测方法，有效提升机器人在复杂环境中的碰撞检测能力，为实现高效、安全的机器人操作提供了一种全新的解决方案。
2、为实现上述目的，本专利技术采用如下技术方案：一种基于复合transformer模型的移动机械臂碰撞检测方法，包括以下步骤：
3、步骤1：获取碰撞数据；在机器人运行过程中，实时采集来自包括力矩传感器、imu传感器和速度传感器等传感器的数据，作为碰撞检测的预训练时间集合数据包；
4、步
5、步骤3：lstm层处理，使用lstm层对序列数据进行处理，将输入数据映射到隐藏状态空间中，从而捕捉序列中的时序依赖关系；
6、步骤4：碰撞类型分类，将预处理后的数据输入transformer模型，通过自注意力机制提取数据中的时序特征，实现碰撞类型的分类。
7、在一较佳的实施例中，transformer模型的输入数据为维度为[n×t×input_size]的特征，其中n表示数据批次大小batch size，t表示时间步长，input_size表示每个时间步的特征维度；
8、输入特征的维度为[n×t×input_size]，特征首先经过lstm层处理，lstm通过其内部的门机制捕捉时间序列中的长短期依赖；lstm层的输出维度为[n×t×hidden_size]，其中hidden_size表示lstm的隐藏层维度；
9、接下来，lstm的输出被传递至自注意力层，自注意力层通过计算序列内不同时间步之间的相似性来提取全局上下文信息；自注意力机制中的每个查询query、键key、值value矩阵均通过线性变换nn.linear得到；通过注意力计算和加权求和，最终得到维度为[n×t×hidden_size]的加权输出。
10、在一较佳的实施例中，所述步骤2具体包括以下步骤：
11、步骤21：传感器信号滤波：
12、传感器信号在采集使用卡尔曼滤波kalman filter去除噪声：
13、
14、其中，是系统状态的预测值，是在时刻k-1的估计值，a是系统的状态转移矩阵，b是控制输入矩阵，uk是控制输入，wk是过程噪声；
15、步骤22：数据归一化：
16、使用最小—最大归一化min-max normalization：将数据线性映射到[0,1]区间：
17、
18、其中x是原始数据的某个特征值；xmin是该特征的最小值；xmax是该特征的最大值；x'是归一化后的值；a、b分别为区间下界和上界；
19、步骤23：去噪：使用低通滤波器去除高频噪声
20、
21、其中，h(f)为滤波器的频率响应，f为频率，fc为截止频率，n为滤波器的阶数。
22、在一较佳的实施例中，步骤3中，lstm模型局部时序特征处理的方案中，包含以下步骤及具体公式：
23、模型接收时间序列数据，输入的特征维度为x∈rn×t×d，其中n是批量大小batchsize，t是序列长度，d是每个时间步的特征维度；
24、给定时间步t的输入xt，lstm计算过程包括以下几个步骤：
25、输入门inputgate：
26、it＝σ(wixt+uiht-1+bi)
27、遗忘门forgetgate：
28、ft＝σ(wfxt+ufht-1+bf)
29、输出门outputgate：
30、ot＝σ(woxt+uoht-1+bo)
31、细胞状态更新cellstateupdate：
32、ct＝ft·ct-1+it·tanh(wcxt+ucht-1+bc)
33、隐藏状态更新hiddenstateupdate：
34、ht＝ot·tanh(ct)
35、其中：
36、σ是sigmoid激活函数；
37、tanh是双曲正切激活函数；
38、wi、wf、wo、wc和ui、ui、uo、uc是学习的权重矩阵；
39、bi、bf、bo、bc是偏置项。
40、在一较佳的实施例中，步骤4中，transformer自注意力机制处理得出碰撞结果的方案中，包含以下步骤及具体公式：
41、步骤41：数据集时间判定规则：在结合imu加速度、角速度、行程计传感器的位移/角度变化和关节力矩传感器的力矩变化，定义一个综合判断碰撞的指标c(t)：
42、c(t)＝w1·||a(t)||+w2·||ω(t)||+w3·||δτ(t)||+w4·||δθ(t)||+…
43、其中，||a(t)||为加速度的模，||ω(t)||为角速度的模，||δτ(t)||为力矩变化的模，||δθ(t)||为角度变化的模，w1、w2、w3、w4是权重系数；若c(t)超过某个阈值，则判定为碰撞事件；
44、步骤42：transformer模型的自注意力机制计算公式为：
45、
46、其中，q是查询矩阵，k是键矩阵，v是值矩阵，dk是键的维度；通过自注意力机制，transformer模型计算不同时间步之间的关系，从而进行碰撞类型分类；
47、步骤43：位置编码，transformer模型通过位置编码来注入序列信息，其公式为：
48、
49、其中，pos为位置，i为维度，d为编码的维度大小，pe(pos,2i)、pe(pos,2i+1)分别对应位置编码向量中的偶数和奇数维度。
50、与现有技术相比，本专利技术具有以下有益效果：
51、1、采用和lstm相结合的transformer模型，lst本文档来自技高网...
【技术保护点】
1.一种基于复合Transformer模型的移动机械臂碰撞检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于复合Transformer模型的移动机械臂碰撞检测方法，其特征在于，Transformer模型的输入数据为维度为[N×T×input_size]的特征，其中N表示数据批次大小Batch Size，T表示时间步长，input_size表示每个时间步的特征维度；
3.根据权利要求1所述的一种基于复合Transformer模型的移动机械臂碰撞检测方法，其特征在于，所述步骤2具体包括以下步骤：
4.根据权利要求1所述的一种基于复合Transformer模型的移动机械臂碰撞检测方法，其特征在于，步骤3中，LSTM模型局部时序特征处理的方案中，包含以下步骤及具体公式：
5.根据权利要求1所述的一种基于复合Transformer模型的移动机械臂碰撞检测方法，其特征在于，步骤4中，Transformer自注意力机制处理得出碰撞结果的方案中，包含以下步骤及具体公式：
【技术特征摘要】
1.一种基于复合transformer模型的移动机械臂碰撞检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于复合transformer模型的移动机械臂碰撞检测方法，其特征在于，transformer模型的输入数据为维度为[n×t×input_size]的特征，其中n表示数据批次大小batch size，t表示时间步长，input_size表示每个时间步的特征维度；
3.根据权利要求1所述的一种基于复合transforme...
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。