CN108472809A - 机器人和用于运行机器人的方法 - Google Patents

Abstract

一种用于运行机器人的方法和一种机器人，其中，机器人具有能够借助致动器AKT_n驱动的、可移动的元件ELE_m并设置用于通过元件ELE_m实施移动B，并且机器人包括用于确定测量变量(式(II))的组的信号(式(I))的传感装置，组表征元件ELE_m的移动B及其与周围环境的交互。提出的方法包括以下步骤：通过传感装置在元件ELE_m实施至少一次移动B作为参考移动B的过程中确定(10)测量变量(式(II))的参考信号(式(III))；基于参考信号(式(III))，通过自适应的方法自动确定(102)用于通过测量变量(式(V))描述包括参考交互的参考移动B的数学模型(式(IV))；在按照运行地实施移动B的过程中：利用模型(式(IV))预测(103)用于通过测量变量(式(V))描述包括参考交互的参考移动B的信号(式(VI))，比较(104)当前在按照运行地实施移动B的过程中确定的信号(式(I))和预测信号(式(VI))，以确定(式(VI))和(式(I))之间的偏差(式(VII))，如果偏差(式(VII))不满足预设的条件(式(VIII))，则基于偏差(式(VII))，将当前出现的偏差(式(VII))分类(105)到由数量I预设的错误类别(式(IX))，为致动器AKT_k提供针对每个错误类别(式(IX))预设的控制信息(式(X))，并且在考虑控制信息(式(X))的条件下控制(106)致动器AKT_k。

Description

机器人和用于运行机器人的方法

技术领域

本发明涉及一种用于运行机器人的方法，其中，该机器人具有能够借助致动器驱动的、可移动的元件，并且设置为通过这些可移动的元件来实施移动B。

背景技术

众所周知地，机器人被越来越多地应用于多个领域，在这些领域中，机器人通过其可移动的元件(例如机器人臂)在执行给定任务时实施移动B并且在这种情况下与其周围环境机械地交互。通过与周围环境的交互，可以将特别是力和和/或转矩，还可以将其它的物理变量(例如热量、电场或磁场等)由周围环境传递到可移动的元件。

周围环境可包括不移动的或移动的物体。特别地，周围环境可以是与机器人的移动元件交互的人。在这种情况下，为了完成不同的任务，机器人通过其致动器能够驱动的、可移动的元件实施多个不同的移动B，其各自包括与周围环境的相互作用。在本发明中，“交互(Interaktion)”的概念描述了在按照目的实施移动B的过程中出现的与机器人的周围环境的(大多是机械的)相互作用。例如可以通过在实施预设的移动B的过程中力或转矩、热量、脉冲、辐射等向可移动元件的输入的预设范围来定义“交互”。

发明内容

本发明目的在于提出一种用于运行机器人的方法以及一种机器人，其能够在实施移动B的过程中区分出与周围环境以及与人的期望的和不期望的交互并相应地控制可移动的元件。

本发明可由独立权利要求的特征得出。有利的扩展方案和设计为从属权利要求的主题。本发明的其他特征、应用可能性和优点可由以下的描述以及对附图中示出的本发明实施例的说明中得出。

本发明关于方法层面的目的通过一种用于运行机器人的方法得以实现，其中，该机器人具有能够借助致动器AKT_n驱动的、可移动的元件ELE_m并且设置用于通过元件ELE_m实施移动B，其中，n＝1，2，...，N；m＝1，2，...，M；N＝1，2，...；M＝1，2，...，并且其中，该机器人包括传感装置，该传感装置用于确定测量变量的表征元件ELE_m的移动B及元件ELE_m与周围环境的交互的组的信号其中，k＝1，2，...，K且K≥1。

致动器AKTn的数量N和可移动的元件ELE_m的数量M不必相同(N＝M)。根据机器人的不同设计，可能适用的是：N＞M或N＜M。在许多应用中，例如可移动的元件ELE_m形成机器人臂，可能适用的是：N＝M。

致动器AKT_n例如是电动机、线性电动机、压电元件、气动发动机、液压发动机，混合驱动器等。可移动的元件ELE_m例如是机器人臂的臂区段(有利的是包括在必要时安装的末端执行器)。

有利的是，元件ELE_m的移动B通过轨迹(Trajektorien)定义，该轨迹说明了单个可移动的元件ELE_m(有利地包括末端执行器)的姿势(位置和/或方向)变化随时间的进程。移动B可以可选地或额外地由另外的参数定义，例如通过元件ELE_m的速度和/或加速度，通过借助致动器AKT_n产生的作用在元件ELE_m上的力和/或转矩，和/或通过用于控制致动器AKT_n的电流和/或电压等。元件ELE_m与周围环境的交互有利地通过作用在各个元件ELE_m上的外力和/或外部压力和/或外部转矩来检测或定义。有利的是，根据周围环境和元件之间相应的物理相互作用(＝交互)来选择对元件ELE_m与周围环境的交互的描述。该相互作用例如可以是机械相互作用、辐射相互作用、与热传递的相互作用、与电流流动的相互作用、与电压产生的相互作用等。

有利的是，最大偏差是至少大部分地定义移动B以及交互的参数，其适用于(例如通过外部施加的力和/或转矩和/或压力和/或热传递和/或电流流动)表征包括元件ELE_m与周围环境的交互的元件ELE_m的移动B。

传感装置有利地包括多个传感器，其中，该传感装置用于确定测量变量的表征元件ELE_m的移动B及其与周围环境的交互的组的信号其中k＝1，2，...，K且K≥1，所述多个传感器能够给出单个可移动的元件ELE_m随时间的姿势变化并且有利地还能给出其它的参数，例如包括速度、加速度、力、转矩、压力、温度、电流、电压、位置以及这些参数的全部估计量等，其适用于表征包括元件ELE_m与周围环境的(如上所述的)相互作用/交互的元件ELE_m的移动B。

有利的是，信号是基于由传感装置的传感器检测的原始数据确定的，和/或信号是基于估计信号确定的。这种估计信号可以例如通过描述机器人的动态模型和/或通过适合的观察或估计结构来确定。有利的是，特别是由测量的原始数据和估计信号的组合确定信号由此可以减少测量的原始数据的噪声分量(Rauschanteil)，并且可以增加检测到的信号的稳固性和准确性。

(物理的)测量变量的组包括数量K个测量变量，这些测量变量对于不同的移动B可能是不同的。即，对于两个不同的移动B₁和B₂并且分别对应于与周围环境期望或允许的交互而言，测量变量的数量K以及测量变量本身的选择是不同的(K₁≠K₂)。在此，出于简化的原因，按照任务的移动B也具有与周围环境期望或允许的交互的一对一的对应。

测量变量有利地例如包括：单个或所有可移动的元件ELE_m的位置和/或速度、作用在单个可移动的元件ELE_m上的单个或所有的外力和/或外部转矩和/或压力、用于控制致动器AKT_n的单个或所有的电流和/或电压，其又可以对应于驱动转矩。

有利的是，针对包括对应的与周围环境的交互的每个移动B分开地并且优化地预设数量K和物理测量变量的选择。通过优化测量变量的适合的选择，可以有利地使测量变量的数量K最小化，而不会由此进行对包括对应的与周围环境的交互的移动B的表征。

所提出的方法包括以下步骤。在一个步骤中，通过传感装置在元件ELE_m至少一次实施移动B的过程中确定测量变量的参考信号其中，参考移动B也包括元件ELE_m与周围环境的参考交互，特别是从外部作用在元件ELE_m上的力和/或转矩。

在本申请中，“参考交互”的概念意指在按照任务实施移动B的过程中要求的、期望的和/或允许的与周围环境的相互作用/交互。因此，在该步骤中生成了测量变量的参考信号有利的是，传感装置是机器人的一部分。多个传感器有利地与元件ELE_m和/或致动器AKT_n连接。在一个扩展方案中，也可以考虑由外部的传感装置(例如，外部的接近传感器)确定的测量变量有利的是，根据任务设置和目标来选择外部的传感器/传感装置的数量和类型。

如果为了执行一个任务而实施移动B，在该移动B过程中元件ELE_m与周围环境(例如，人)交互，则考虑在移动B的实施过程中通过人产生的并作用在元件ELE_m上的有意的、期望的和允许的机械相互作用。重要的是，在确定参考信号的过程中，不存在周围环境和元件ELEm之间有意的或期望的和允许的相互作用以外的相互作用。

有利的是，基于该移动B的多次实施来确定参考信号通过该移动B的有利的多次实施实现了：检测在周围环境与元件ELE_m之间多个有意的、期望的或允许的相互作用的分散宽度，以及考虑可能起作用的统计效应并在表征移动B时考虑到这一点。

在另一个步骤中，基于参考信号通过自适应的方法自动地确定一个数学模型该数学模型用于通过测量变量描述包括参考交互(有利的是：参考交互的允许范围)的参考移动B。

有利的是，基于一个或多个高斯过程进行建模，即，用于确定数学模型的自适应方法。有利的是，该模型是基于信号训练的统计模型。进一步有利的是，该统计模型包括所谓的隐马尔可夫模型HMM(Hidden-Markov-Modell HMM)和/或所谓的支持向量机SMV(英文为“Support Vector Mashine”)和/或神经网络和/或深度神经网络。基于预设的参考数据的建模在现有技术中是已知的。有关更多细节，请参阅相关的现有技术。

在另一个步骤中，在按照运行地实施移动B的过程中，利用模型进行信号的预测，该信号用于通过测量变量描述包括与周围环境的参考交互的参考移动B。以上和随后的步骤涉及所提出的方法的运行的(即，按照运行的)执行的阶段。在这种情况下，所确定的模型产生测量变量的预测信号其中，尤其是反映了元件ELE_n与机器人的周围环境的期望的交互。

在另一个步骤中，比较当前在按照运行地实施移动B的过程中确定的信号和预测信号以确定和之间的偏差其中，k＝1，2，...，K且K≥1。

有利的是，在当前按照运行地实施移动B的过程中，借助传感装置和/或基于估计值确定信号所述比较可以例如是所确定的信号与预测信号或由它们组成的组合的代数比较和/或统计比较。

在另一个步骤中，当偏差不满足预设的条件则基于该偏差将当前出现的偏差分类到由数量I预设的错误类别中，其中，i＝1，2，...，I，其中，为致动器AKT_k提供针对每一个错误类别预设的控制信息条件可以是随时间变化的：

假定针对每个偏差都提供了相应的控制信息则分类总是可能的。即，有利的是，为实际上不属于任何有意义的分类的偏差提供至少一个相应的错误类别以及相应预设的控制信息

预设的错误类别实现了根据交互的类型(例如关于意图或强烈的交互)，和/或环境中的接触对象的类型(例如人、任务环境、其他环境)，和/或根据任务进度或任务完成来对实际出现的与机器人的周围环境的交互进行分类。对于在使用本体感受或触觉的信息条件下基于例如交互的统计模型将人和机器人之间的交互集成到任务控制而言，这是特别重要的。

有利的是，为K个测量变量中的至少一个预设条件 和之间的偏差小于/等于预设的极限值即， 当然，该条件能够根据任务设置和待实施的移动B分别单独地任意调整。

有利的是，针对致动器AKT_n，控制信息定义致动器驱动的元件ELE_m的独立的反应性移动(abgeschlossene Reaktionsbewegungen)和/或至少一个条件的改变和/或模型的改变。

例如，反应性移动涉及一种偏转移动(Ausweichbewegung)，即，之前的移动B的改变，或者目前实施的移动B的停止，或者单个元件ELE_m的移动的停止或向另一控制模式的切换。

控制信息可能涉及移动B的当前实施，例如，可以减小当前移动B的移动速度。在后一种情况下，执行器AKT_n例如由预设的控制程序控制，从而在考虑控制信息的条件下实施额定任务。控制信息也可以代表致动器AKT_n的唯一控制信息源。控制信息还可以产生移动B的所有其他的实施的改变(例如，针对当前移动B的其余部分并且针对移动B的所有其他的实施，改变致动器AKT_n的控制，使得对于外部机械接触的顺应性增加)。可以根据任务设置和目标来选择或自动地计划控制信息

在另一个步骤中，在考虑控制信息的条件下对致动器AKT_k进行控制。

有利的是，可移动的元件ELE_m形成机器人臂的臂区段，其中，元件ELE_m中的至少一些借助于致动器AKT_k驱动，并且其中，传感装置分别为一些或所有的臂区段检测测量变量

所提出的方法特别是实现了：在移动B的实施过程中，区分期望的与不期望的与机器人的周围环境的交互，并且根据实际出现的交互的表征相应地控制使其驱动的执行器AKT_n。

另外，本发明还实现了，例如自动识别与任务相关的接触阈值(Kontaktschwellen)和信号轮廓(Signalprofilen)，其除了元件ELE_m的移动B的不受干扰的实施之外，还考虑了元件ELE_m与机器人的周围环境的交互。

有利的是，所提出的方法基于分析动力学模型，可能围绕统计模型(摩擦、噪声、模型错误，......)和本体感受传感装置来扩展，并允许外部传感器的集成。其实现了：将当前出现的机械接触信息集成和应用于机器人与人之间计划的机械交互和对不期望和/或不允许的交互的识别、隔离和分类，以及在考虑控制信息的条件下通过控制执行器AKT_k产生相应的反应。

用于实施移动B的错误配置和在当前实施移动B的过程中的错误可能以在线的方式被识别和分类。

该方法在运行的(即，按照运行的)移动B的实施的过程中起作用，并且可以很容易地集成到复杂的运行任务中，而无需介入任务/移动流程和周围环境的任务。

人与机器人的复杂交互的分析模型建立大多是不可能的。因此，有利的是，提出通过经验证的经验数据将概率建模与现有的分析模型相关联，例如其通过正确地实施按照目的的移动B而获得。这种模型借助统计结论(statistischer Aussagen)(例如借助置信区间)来检测系统特性。有利的是，在所提出的方法中借助概率估算进行错误识别和隔离。这实现了使用较大的方法套件(Methodenbaukasten)，例如包括决策树或线性分类模型等统计学习方法。

另外，如果所使用的方法是针对任务参数化的，则所提出的方法可以在类似的移动B之间转换。此外，如果所使用的方法针对机器人参数化的，则所提出的方法可以在机器人类别之间转换。

本发明的目的还通过具有数据处理装置的计算机系统来实现，其中，数据处理装置被设计为使得在数据处理装置上执行上述的方法。

此外，本发明的目的还通过具有电子可读的控制信号的数字存储介质来实现，其中，控制信号可以与可编程的计算机系统共同作用，从而执行如上所述的方法。

此外，本发明的目的还通过具有存储在机器可读载体上的程序代码的计算机程序产品来实现，当在数据处理装置上执行程序代码时，该程序代码用于执行如上所述的方法。

最后，本发明涉及一种具有程序代码的计算机程序，以使得当该程序在数据处理装置上运行时执行如上所述的方法。为此，数据处理装置可以被设计为现有技术中已知的任意计算机系统。

以下将解释该方法的一般示例。

该方法基本上包括以下一般步骤。在第一步骤中，通过有利地多次实施包括对应的与机器人的周围环境的参考交互的参考移动B来生成参考信号。在这种情况下，记录在运行期间任务相关的参考信号，以及有利地以任务相关的类型和方式预处理参考信号。在具体情况下，这可能包括，例如：

-在多次实施包括对应的与周围环境的参考交互的参考移动B期间记录关于元件ELE_n的外部转矩和速度的数据，

-补插(Interpolation)缺失的数据点，

-对所检测到的相同参考移动B的不同数据记录进行校准，并识别数据记录中的信息富集点。

随后，通过自适应方法来建模。这包括例如根据任务和根据信号选择建模方法，将之前检测到的参考信号传输到所选的自适应方法，在运行期间使用模型观点下在信号层面(Signalebene)上生成模型。在具体的情况下，这可能包括：

-基于检测到的参考信号选择高斯过程作为自适应的建模过程，

-使用稀疏式方法(Sparsifizierungsmethoden)以减少在建模和评估步骤中的计算工作量，以及

-通过将高斯过程应用于稀疏的参考信号来生成模型。

在另一个步骤中，在机器人的运行过程中检查借助于传感装置检测到的信号。这有利地包括实施所谓的“故障检测和隔离(Fault Detection and Isolation，FDI)”方法。在实施移动B的过程中，可以通过连续监测由传感装置当前检测到的信号区分包括与周围环境的允许交互的移动B的额定过程与故障情况。在具体的情况下，这可能包括：

-通过高斯过程结合速度监测外部的转矩信号。例如，该信号必须在信号模型预测的99％置信区间内，以便分配给额定移动流程B。否则，该情况被理解为错误情况并且中断任务的执行。

在另一个步骤中，对错误情况进行分类。在具体的情况下，这可以包括：借助于分类算法可以更精确地限制误差的原因，并因此可以给出在任务环境中的信号偏差的理解的可能性。

上述目的另外还通过一种机器人得以实现，该机器人设置和设计用于实施如上所述的方法

附图说明

其他的优点、特征和细节可从以下描述中得出，其中，在必要时参照附图详细地描述了至少一个实施例。相同的、类似的和/或功能相同的部件具有相同的附图标记。其中：

图1为所提出的方法的示意性的流程图。

具体实施方式

图1示出了所提出的用于运行机器人的方法的示意性流程图，其中，机器人具有能够借助于致动器AKT_n驱动的、可移动的元件ELE_m并且设置用于通过元件ELE_m实施移动B，其中，n＝1，2，...，N；m＝1，2，...，M；N＝1，2，...；M＝1，2，...，并且其中，该机器人包括传感装置，该传感装置用于确定测量变量的表征元件ELE_m的移动B及其与周围环境的交互的组的信号其中，k＝1，2，...，K且K≥1。

该方法包括以下步骤。

在第一步骤101中，在元件ELE_m实施至少一次移动B作为参考移动B的过程中通过传感装置确定测量变量的参考信号其中，该参考信号包括元件ELE_m与周围环境的参考交互，特别是从外部作用在元件ELE_m上的力和/或转矩。

在第二步骤102中，基于参考信号通过自适应的方法自动地确定一个数学模型该数学模型用于通过测量变量描述包括参考交互的参考移动B。

在第三步骤103中，在按照运行地实施移动B的过程中，利用模型预测用于通过测量变量描述包括参考交互的参考移动B的信号

在第四步骤104中，比较当前在按照运行地实施移动B的过程中确定的信号和预测信号以确定和之间的偏差其中，k＝1，2，...，K且K≥1。

在第五步骤105中，如果该偏差不满足预设的条件则基于该偏差将当前出现的偏差分类到由数量I预设的错误类别其中，i＝1，2，...，I，其中，为致动器AKT_k提供针对每一个错误类别预设的控制信息

在第六步骤106中，在考虑控制信息的条件下对致动器AKT_k进行控制。

尽管通过优选的实施例详细地进一步示出和说明了本发明，但本发明并不限于所公开的实施例，而且本领域技术人员在不脱离本发明的范围的情况下可以由此衍生出其他变型。因此，显而易见的是，存在多种变化可能性。还应该理解的是，举例说明的实施例实际上仅是示例，其不应以任何方式理解为对本发明的范围、应用可能性或配置的限制。相反，以上的描述和附图描述使本领域技术人员能够具体地实现示例性实施方式，其中，在不超出由权利要求书及其法律等同部分(例如说明书中的进一步说明)限定的保护范围情况下，本领域技术人员基于对公开的本发明构思的认知可以采用例如关于在示例性的实施方式中所提及元件的功能或布设的各种变型。

Claims (10)

1.一种用于运行机器人的方法，其中，所述机器人具有能够借助致动器AKT_n驱动的、可移动的元件ELE_m并且设置用于通过所述元件ELE_m实施移动B，其中，n＝1，2，...，N；m＝1，2，...，M；N＝1，2，...；M＝1，2，...，并且其中，所述机器人包括传感装置，所述传感装置用于确定测量变量的组的信号所述组表征所述元件ELE_m的所述移动B及所述元件ELE_m与周围环境的交互，其中，k＝1，2，...，K且K≥1，

所述方法包括以下步骤：

-通过所述传感装置在所述元件ELE_m实施至少一次所述移动B作为参考移动B的过程中确定(101)所述测量变量的参考信号其中，所述参考信号包括所述元件ELE_m与所述周围环境的参考交互，特别是从外部作用在所述元件ELE_m上的力和/或转矩，

-基于所述参考信号通过自适应的方法自动地确定(102)一个数学模型所述数学模型用于通过测量变量描述包括所述参考交互的参考移动B，

-在按照运行地实施所述移动B的过程中：

○利用模型预测(103)用于通过测量变量描述包括所述参考交互的所述参考移动B的信号

○比较(104)当前在按照运行地实施所述移动B的过程中确定的信号和预测信号以确定和之间的偏差其中，k＝1，2，...，K且K≥1，

○如果所述偏差不满足预设的条件则基于所述偏差将当前出现的偏差分类(105)到由数量I预设的错误类别其中，i＝1，2，...，I，其中，为所述致动器AKT_k提供针对每个所述错误类别预设的控制信息

○在考虑所述控制信息的条件下控制(106)所述致动器AKT_k。

2.根据权利要求1所述的方法，其中，所述测量变量的组包括以下变量中一个或多个：作用在可移动的机器人组件上的力、转矩，和/或所述机器人组件的位置、速度或加速度，和/或压力、温度、能量，和/或与周围环境的接触点和/或估计的接触点。

3.根据权利要求1或2所述的方法，其中，所述可移动的元件ELE_m形成机器人臂的臂区段，其中，所述元件ELE_m中的至少一些借助于所述致动器AKT_k驱动，并且其中，所述传感装置分别为一些或所有的臂区段检测所述测量变量

4.根据权利要求1至3中任一项所述的方法，其中，所述自适应的方法基于一个或多个高斯过程来确定数学模型

5.根据权利要求1至4中任一项所述的方法，其中，所述模型是一个基于信号训练的统计模型。

6.根据权利要求1至5中任一项所述的方法，其中，所述统计模型包括隐马尔可夫模型HMM和/或支持向量机SMV和/或神经网络。

7.根据权利要求1至6中任一项所述的方法，其中，所述信号是基于由所述传感装置的传感器检测到的原始数据确定的，和/或所述信号是基于估计信号确定的。

8.根据权利要求1至7中任一项所述的方法，其中，为所述测量变量中的至少一个预设所述条件 和之间的所述偏差小于/等于预设的极限值即，

9.根据权利要求1至8中任一项所述的方法，其中，所述控制信息限定机器人部件的独立的反应移动和/或至少一个条件的改变和/或所述模型的改变。

10.一种机器人，所述机器人设置和设计用于实施根据权利要求1至9中任一项所述的方法。