CN109531626A - 一种智能机器人奇异构型预测方法、装置和存储介质 - Google Patents

Abstract

本发明公开了一种智能机器人奇异构型预测方法、装置和存储介质，用以辅助预测智能机器人的奇异构型状态，降低奇异构型对智能机器人运动影响。智能机器人奇异构型预测方法，包括：接收控制智能机器人运动的控制指令，所述控制指令中包含有所述智能机器人在第一空间的第一运动参考信息；根据所述第一运动参考信息，确定转换矩阵，其中，所述转换矩阵用于将所述第一运动参考信息转换为第二空间的第二运动参考信息；针对确定出的转换矩阵，确定所述转换矩阵的奇异条件；根据所述奇异条件，确定所述智能机器人是否处于奇异构型状态。

Description

一种智能机器人奇异构型预测方法、装置和存储介质

技术领域

本发明涉及智能机器人技术领域，尤其涉及一种智能机器人奇异构型预测方法、装置和存储介质。

背景技术

智能机器人，指能够在各类环境中自主地或交互地执行各种拟人任务的机器，具备形形色色的内部信息传感器和外部信息传感器，如视觉、听觉等。

智能机器人的构型包括机器人的自由度、肢体及躯干的各关节设置，排列构成形式、相对位置及运动关系。机器人的构型决定了机器人的性能，是机器人的关键和基础。当丢失至少一个自由度时，机器人处于奇异构型状态，这种状态下，由于机器人在丢失自由度方向上失去运动能力，从而无法完成期望任务，甚至造成危险。

由此可见，如何准确预测机器人的奇异构型，降低奇异构型对机器人运动的影响成为现有技术中亟待解决的技术问题之一。

发明内容

本发明实施例提供一种智能机器人奇异构型预测方法、装置和存储介质，用以辅助预测智能机器人的奇异构型状态，降低奇异构型对智能机器人运动影响。

第一方面，提供一种智能机器人奇异构型预测方法，包括：

接收控制智能机器人运动的控制指令，所述控制指令中包含有所述智能机器人在第一空间的第一运动参考信息；

根据所述第一运动参考信息，确定转换矩阵，其中，所述转换矩阵用于将所述第一运动参考信息转换为第二空间的第二运动参考信息；

针对确定出的转换矩阵，确定所述转换矩阵的奇异条件；

根据所述奇异条件，确定所述智能机器人是否处于奇异构型状态。

其中，针对确定出的转换矩阵，确定所述转换矩阵的奇异条件，具体包括：

针对确定出的转换矩阵，对所述转换矩阵分解降阶；

根据降阶后的矩阵，确定所述转换矩阵的奇异条件。

可选地，针对确定出的转换矩阵，对所述转换矩阵分解降阶，具体包括：

针对确定出的转换矩阵，利用矢量积法将所述转换矩阵分解为第一矩阵和第二矩阵，其中，所述第一矩阵为可逆矩阵；以及

根据降阶后的矩阵，确定所述转换矩阵的奇异条件，具体包括：

根据所述第二矩阵确定所述转换矩阵的奇异条件。

可选地，根据所述第二矩阵确定所述转换矩阵的奇异条件，具体包括：

将所述第二矩阵分解为第一矩阵块和第二矩阵块，其中，所述第一矩阵块为非奇异矩阵；

根据所述第二矩阵块确定所述转换矩阵的奇异条件。

可选地，根据所述第二矩阵块确定所述转换矩阵的奇异条件，具体包括：

将所述第二矩阵块分解为零矩阵和第三矩阵块；

根据所述第三矩阵块确定所述转换矩阵的奇异条件。

可选地，根据所述第三矩阵块确定所述转换矩阵的奇异条件，具体包括：

确定所述第三矩阵块的n阶主子式为0时的表达式为所述转换矩阵的奇异条件，n为大于等于1的整数。

可选地，根据所述奇异条件，确定所述智能机器人是否处于奇异构型状态，具体包括：

当所述转换矩阵满足所述奇异条件时，确定所述智能机器人处于奇异构型状态；

当所述转换矩阵不满足所述奇异条件时，确定所述智能机器人不处于奇异构型状态。

可选地，本发明实施例提供的智能机器人奇异构型预测方法，还包括：

若确定所述智能机器人不处于奇异构型状态，根据所述转换矩阵，将所述第一运动参考信息转换为第二空间的第二运动参考信息；

根据所述第二运动参考信息，控制所述智能机器人运动。

可选地，所述智能机器人为具有多自由度的机械臂机器人，所述第一空间为笛卡尔空间，所述第二空间为机械臂关节空间。

第二方面，提供一种智能机器人奇异构型预测装置，包括：

接收单元，用于接收控制智能机器人运动的控制指令，所述控制指令中包含有所述智能机器人在第一空间的第一运动参考信息；

第一确定单元，用于根据所述第一运动参考信息，确定转换矩阵，其中所述转换矩阵用于将所述第一运动参考信息转换为第二空间的第二运动参考信息；

第二确定单元，用于针对确定出的转换矩阵，确定所述转换矩阵的奇异条件；

第三确定单元，用于根据所述奇异条件，确定所述智能机器人是否处于奇异构型状态。

所述第二确定单元，具体用于针对确定出的转换矩阵，对所述转换矩阵分解降阶；根据降阶后的矩阵，确定所述转换矩阵的奇异条件。

所述第二确定单元，具体用于针对确定出的转换矩阵，利用矢量积法将所述转换矩阵分解为第一矩阵和第二矩阵，其中，所述第一矩阵为可逆矩阵；根据所述第二矩阵确定所述转换矩阵的奇异条件。

所述第二确定单元，具体用于将所述第二矩阵分解为第一矩阵块和第二矩阵块，其中，所述第一矩阵块为非奇异矩阵；根据所述第二矩阵块确定所述转换矩阵的奇异条件。

所述第二确定单元，具体用于将所述第二矩阵块分解为零矩阵和第三矩阵块；根据所述第三矩阵块确定所述转换矩阵的奇异条件。

所述第二确定单元，具体用于确定所述第三矩阵块的n阶主子式为0时的表达式为所述转换矩阵的奇异条件，n为大于等于1的整数。

可选地，所述第三确定单元，具体用于当所述转换矩阵满足所述奇异条件时，确定所述智能机器人处于奇异构型状态；当所述转换矩阵不满足所述奇异条件时，确定所述智能机器人不处于奇异构型状态。

可选地，本发明实施例提供的智能机器人奇异构型预测装置，还包括：

转换单元，用于若所述第三确定单元确定所述智能机器人不处于奇异构型状态，根据所述转换矩阵，将所述第一运动参考信息转换为第二空间的第二运动参考信息；

控制单元，用于根据所述第二运动参考信息，控制所述智能机器人运动。

可选地，所述智能机器人为具有多自由度的机械臂机器人，所述第一空间为笛卡尔空间，所述第二空间为机械臂关节空间。

第三方面，提供一种计算装置，包括至少一个处理器、以及至少一个存储器，其中，所述存储器存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行上述智能机器人奇异构型预测方法所述的任一步骤。

第四方面，提供一种计算机可读介质，其存储有可由计算装置执行的计算机程序，当所述程序在计算装置上运行时，使得所述计算装置执行上述智能机器人奇异构型预测方法所述的任一步骤。

本发明实施例提供的智能机器人奇异构型预测方法、装置和存储介质中，在接收到控制智能机器人运动的控制指令时，根据控制指令中包含的机器人在第一空间下的第一运动参考信息，确定将其转换为第二空间的第二运动参考信息的转换矩阵，当转换矩阵满足奇异条件时，智能机器人处于奇异构型状态，这样，在机器人运动过程中，通过判断转换矩阵满足的奇异条件，可以辅助判断出智能机器人处于奇异构型状态，降低奇异构型对智能机器人的影响。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例中，智能机器人奇异构型预测方法的实施流程示意图；

图2为本发明实施例中，雅克比矩阵含义的几何解释示意图；

图3为本发明实施例中，智能机器人奇异构型预测装置的结构示意图；

图4为根据本发明实施方式的计算装置示意图。

具体实施方式

为了准确预测智能机器人的奇异构型状态，降低奇异构型对机器人运动的影响，本发明实施例提供了一种智能机器人奇异构型预测方法、装置和存储介质。

本发明实施例中的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。

在本文中提及的“多个或者若干个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

以下结合说明书附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明，并且在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

由于智能机器人的奇异构型会对机器人的运动造成影响，因此，如果能够准确预测出机器人的奇异构型，则可以通过采用合理策略通过或者避开机器人运动奇异构型状态，或者在上层的任务规划层进行避奇异规划，从而提高机器人的性能。

在智能机器人运动过程中，运动控制处理器接收控制机器人运动的控制指令，其中，控制指令中包含有机器人在第一空间的第一运动参考信息，以第一空间为笛卡尔空间为例，在笛卡尔空间，控制指令中包含有6个维度的第一运动参考信息，组成6*1的特征向量，为了准确控制机器人运动，需要将笛卡尔空间的第一运动参考信息转换为第二空间的第二运动参考信息，其中，第二空间可以为机器人关节空间。以7自由度(即7关节)机械臂机器人为例，7关节的机械臂机器人各个关节的运动参考信息可以组成7*1的特征向量。当第一运动参考信息与第二运动参考信息之间的转换矩阵满足奇异条件时，将导致机器人奇异构型，因此，本发明实施例中，通过确定转换矩阵的奇异条件来预测机器人的奇异构型。

具体实施时，将关节空间的运动参考信息转换为笛卡尔空间的运动参考信息，可以采用雅克比矩阵，将关节空间7*1的特征向量转换为笛卡尔空间6*1的特征向量，可以利用6*7的雅克比矩阵；而将笛卡尔空间的运动参考信息转换为关节空间的运动参考信息可以采用雅克比矩阵的伪逆矩阵，由于伪逆矩阵的奇异条件与雅克比矩阵的奇异条件等价，因此，本发明实施例中，可以通过确定雅克比矩阵的奇异条件来确定转换矩阵的奇异条件。

基于此，本发明实施例提供一种智能机器人奇异构型预测方法，如图1所示，可以包括以下步骤：

S11、接收控制智能机器人运动的控制指令。

其中，在接收到的控制指令中包含有所述智能机器人在第一空间的第一运动参考信息。控制指令中的第一运动参考信息可以为笛卡尔空间的运动参考信息，其包含6个维度的信息，组成6*1的特征向量。

需要说明的是，本发明实施例中涉及的智能机器人可以为具有多自由度的机械臂机器人。

S12、根据第一运动参考信息，确定转换矩阵，其中，转换矩阵用于将第一运动参考信息转换为第二空间的第二运动参考信息。

具体实施时，第二运动参考信息可以为智能机器人在关节空间的运动参考信息，第二运动参考信息根据智能机器人的自由度不同而有不同的表示。例如，对于5自由度的机械臂机器人来说，其可以表示为5*1的特征向量，对于7*1自由度的机械臂机器人来说，其可以表示为7*1的特征向量，该特征向量中的每一元素为机械臂机器人在机械臂关节空间中、各个自由度上的关节角速度，根据关节角速度和运动时间可以确定出关节角度增量。

其中，利用雅克比矩阵可以按照以下公式可以将机械臂关节空间的第二运动参考信息转换为笛卡尔空间的第一运动参考信息，其中，第二运动参考信息可以为机械臂机器人在机械臂关节空间的各个自由度上的关节角速度，针对任一自由度，根据在该自由度上的关节角速度和运动时间，可以确定出机器人在该自由度上的角度增量，即角度大小变化量。

具体地，可以根据如下公式将机械臂关节空间的关节速度转换为笛卡尔空间的速度：dX＝J*dq，即用雅克比矩阵J(6*7维)乘以关节速度dq(7*1维)，得到的是笛卡尔空间速度dX(6*1维)。

上述描述了从机械臂关节空间转换为笛卡尔空间的过程，本发明实施例中，为上述过程的逆过程，即根据控制指令中携带的笛卡尔空间的第一运动参考信息转换为机械臂关节空间的第二运动参考信息，需要利用雅克比矩阵的伪逆矩阵实现。

以7自由度机械臂机器人为例，各个自由度上的第二运动参考信息组成7*1的特征向量，该特征向量中的每一元素可以表示为关节在每一自由度上的关节角速度，根据关节角速度和运动时间可以确定出关节角度增量，即关节在各个自由度上的角度大小变化量，本步骤中，即需要将6*1的特征向量转换为7*1的特征向量。具体实施时，可以通过雅克比矩阵的伪逆矩阵将第一运动参考信息转换为第二运动参考信息。

S13、针对确定出的转换矩阵，确定所述转换矩阵的奇异条件。

具体实施时，可以直接求解转换矩阵的奇异条件，转换矩阵的奇异条件即转换矩阵不满秩的条件，在满足转换矩阵不满秩的条件时，将导致机器人奇异构型。

S14、根据所述奇异条件，确定所述智能机器人是否处于奇异构型状态。

具体地，当转换矩阵满足所述奇异条件时，确定智能机器人处于奇异构型状态；当转换矩阵不满足所述奇异条件时，确定智能机器人不处于奇异构型状态。

具体实施时，对于构型简单的智能机器人可以直接求解转换矩阵不满秩的条件，便可以得到智能机器人奇异构型条件，但是对于构型更复杂的智能机器人，如冗余机械臂机器人，由于求解转换矩阵不满秩的条件计算复杂，计算复杂需要消耗智能机器人更多的处理资源，因此，通常采用对转换矩阵进行奇异值分解来判断转换矩阵的奇异条件，但是通过奇异值分解的方法无法得到全部的转换矩阵奇异条件。

有鉴于此，本发明实施例中，对于构型复杂的机器人提供了一种机器人奇异构型预测方法，通过对转换矩阵分解降阶，根据降阶后的矩阵确定转换矩阵的奇异条件，采用该方法不仅可以降低机器人奇异构型预测的计算复杂度，减少智能机器人处理资源的开销，提高预测效率，还能够获得转换矩阵全部的奇异条件，以下结合实施例详细介绍。

转换矩阵的奇异性与所选取的参考坐标系无关，因此，本发明实施例中，选择可以使得转换矩阵表达简单的参考坐标系，例如，针对7关节机械臂机器人，可以采取任一关节坐标系作为参考坐标系。为了降低转换矩阵奇异条件分析的复杂度，可以选取机械臂中间关节坐标系作为参考坐标系，例如，4关节坐标系或者5关节坐标系，本例中以选取5关节坐标系为例。

具体实施时，针对确定出的转换矩阵，首先利用矢量积法将转换矩阵分解为第一矩阵和第二矩阵，其中，第一矩阵为可逆矩阵；这样，转换矩阵的奇异条件只与第二矩阵相关，因此，只需要根据第二矩阵即可确定出转换矩阵的奇异条件。进一步地，可以继续将第二矩阵分别为第一矩阵块和第二矩阵块，其中，第一矩阵块为非奇异矩阵，这样，转换矩阵的奇异条件只与第二矩阵块相关，具体实施时，只需要根据第二矩阵块即可确定出转换矩阵的全部奇异条件。更进一步地，还可以将第二矩阵块分解为零矩阵和第三矩阵块，这种情况下，转换矩阵的奇异条件只与第三矩阵块相关，因此，只需要根据第三矩阵块即可确定出转换矩阵的全部奇异条件。具体实施时，对于第三矩阵块，令第三矩阵块的各三阶主子式为零即可得到第三矩阵块全部奇异条件的表达式。上述过程中，通过对转换矩阵逐步分解降阶可以大大减少转换矩阵奇异条件分析的复杂度，减少智能机器人处理资源的开销。

具体实施时，由于雅克比矩阵及其伪逆矩阵的奇异条件等价，因此，为了更好地理解本发明实施例，以下确定雅克比矩阵的奇异条件为例对本发明的实施过程进行详细说明。

雅克比矩阵可以表示为：J(θ)＝[J₁,J₂,…,J_n] (1)

利用矢量积法求解雅克比矩阵，第i列可以表示为：

如图2所示，公式(2)中，z_i-1为第i个关节旋转轴的单位矢量，p_e＝[p_ex,p_ey,p_ez]^T为末端坐标系的位置矢量，p_i-1为第i-1个坐标系原点的位置矢量。

为p_e的叉乘矩阵。

由上述描述可得，J＝C·S。

根据上述公式(3)可知，C为可逆矩阵，因此，雅克比矩阵的奇异条件等价于矩阵S的奇异条件。本例中，以5关节坐标系作为参考坐标系，得到雅克比矩阵对应的S矩阵如下：

其中，λ_i＝[λ_i1 λ_i2 λ_i3 λ_i4],i＝1,2,...,6。

由于矩阵初等行变化不改变矩阵的秩，即初等行变换不影响矩阵的奇异性，基于此，对⁵S采用初等行变换总可以化为如下的分块矩阵：

其中，

上述分块矩阵中，恒有det(S₁₂)≠0，即矩阵块S₁₂总是满秩，因此原雅克比矩阵J的奇异条件与降阶的矩阵块S₂₁的奇异条件等价。

至此，根据矩阵块S₂₁的奇异条件即为原雅克比矩阵J的奇异条件。矩阵块S₂₁的奇异条件，具体实施时，令矩阵块S₂₁的各三阶主子式为零，即可得到矩阵块S₂₁的全部奇异条件。

本发明实施例中，如果根据转换矩阵判断出所述智能机器人不处于奇异构型状态时，则根据转换矩阵，将第一运动参考信息转换为第二空间的第二运动参考信息，根据第二运动参考信息，控制智能机器人运动。

具体地，可以根据如下公式将笛卡尔空间的关节速度转换为关节空间的速度：dq＝J’*dX，即用雅克比伪逆矩阵J’(7*6维)乘以笛卡尔空间速度dX(6*1维)，得到的是关节空间速度dq(7*1维)。根据得到的关节空间速度与运动时间的乘积确定智能机器人在各个自由度上的角度增量，从而实现控制智能机器人的运动。

具体实施时，在判断出智能机器人处于奇异构型状态时，还可以采取预设的处理策略进行处理，例如，在判断出当前接近奇异区域时，利用冗余自由度进行规避，或采取降速、保护停止等处理策略进行处理。由于根据本发明实施例方式得到的全部奇异条件的表达式为解析形式，在用于机器人系统实时判别机器人奇异构型状态时可以直接采用该解析形式的表达式，而雅克比矩阵奇异值分解方法为数值方法，用于实时判断机器人奇异构型状态时，每一控制周期均需要进行一次奇异值分解，计算量大。以7自由度的机器人为例，采用奇异值分解方法判断机器人奇异构型状态时，需要为6*n(n＝7，n>6)的雅克比矩阵进行奇异值分解，其计算时间复杂度为O(n³)。本发明实施例中，通过对雅克比矩阵分解降阶，只需确定3*4矩阵的4个三阶主子式即可，计算量减少90％以上，计算速度可以提升10倍以上，且可以获取全部奇异条件。

本发明实施例中，通过选取合适的坐标系来描述雅克比矩阵以使雅克比矩阵表达相对简单，然后对雅克比矩阵进行初等变化，得到降阶的矩阵块，通过分析低维矩阵块的奇异条件，来得到整个雅克比矩阵的奇异条件，由此减少了机器人奇异构型预测的计算复杂度，提高机器人奇异构型预测效率。

基于同一发明构思，本发明实施例中还提供了一种智能机器人奇异构型预测装置，由于上述装置解决问题的原理与智能机器人奇异构型预测相似，因此上述装置的实施可以参见方法的实施，重复之处不再赘述。

如图3所示，其为本发明实施例提供的智能机器人奇异构型预测装置的结构示意图，包括：

接收单元31，用于接收控制智能机器人运动的控制指令，所述控制指令中包含有所述智能机器人在第一空间的第一运动参考信息；

第一确定单元32，用于根据所述第一运动参考信息，确定转换矩阵，其中所述转换矩阵用于将所述第一运动参考信息转换为第二空间的第二运动参考信息；

第二确定单元33，用于针对确定出的转换矩阵，确定所述转换矩阵的奇异条件；

第三确定单元34，用于根据所述奇异条件，确定所述智能机器人是否处于奇异构型状态。

所述第二确定单元，具体用于针对确定出的转换矩阵，对所述转换矩阵分解降阶；根据降阶后的矩阵，确定所述转换矩阵的奇异条件。

所述第二确定单元，具体用于针对确定出的转换矩阵，利用矢量积法将所述转换矩阵分解为第一矩阵和第二矩阵，其中，所述第一矩阵为可逆矩阵；根据所述第二矩阵确定所述转换矩阵的奇异条件。

所述第二确定单元，用于将所述第二矩阵分解为第一矩阵块和第二矩阵块，其中，所述第一矩阵块为非奇异矩阵；根据所述第二矩阵块确定所述转换矩阵的奇异条件。

所述第二确定单元，用于将所述第二矩阵块分解为零矩阵和第三矩阵块；根据所述第三矩阵块确定所述转换矩阵的奇异条件。

所述第二确定单元，用于确定所述第三矩阵块的n阶主子式为0时的表达式为所述转换矩阵的奇异条件，n为大于等于1的整数。

可选地，本发明实施例提供的智能机器人奇异构型预测装置，还包括：

转换单元，用于如果所述第三确定单元确定所述智能机器人不处于奇异构型状态，根据所述转换矩阵，将所述第一运动参考信息转换为第二空间的第二运动参考信息；

控制单元，用于根据所述第二运动参考信息，控制所述智能机器人运动。

所述第三确定单元，用于当所述转换矩阵满足所述奇异条件时，确定所述智能机器人处于奇异构型状态；当所述转换矩阵不满足所述奇异条件时，确定所述智能机器人不处于奇异构型状态。

可选地，所述智能机器人为具有多自由度的机械臂机器人，所述第一空间为笛卡尔空间，所述第二空间为机械臂关节空间。

为了描述的方便，以上各部分按照功能划分为各模块(或单元)分别描述。当然，在实施本发明时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。

在介绍了本发明示例性实施方式的智能机器人奇异构型预测方法和装置之后，接下来，介绍根据本发明的另一示例性实施方式的计算装置。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

在一些可能的实施方式中，根据本发明的计算装置可以至少包括至少一个处理器、以及至少一个存储器。其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行本说明书上述描述的根据本发明各种示例性实施方式的智能机器人奇异构型预测方法中的步骤。例如，所述处理器可以执行如图1中所示的步骤S11、接收控制智能机器人运动的控制指令，和步骤S12、根据第一运动参考信息，确定第一运动参考信息与第二空间的第二运动参考信息之间的转换矩阵；以及步骤S13、针对确定出的转换矩阵，确定所述转换矩阵的奇异条件；步骤S14、根据所述奇异条件，确定所述智能机器人是否处于奇异构型状态。

下面参照图4来描述根据本发明的这种实施方式的计算装置40。图4显示的计算装置40仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，计算装置40以通用计算设备的形式表现。计算装置40的组件可以包括但不限于：上述至少一个处理器41、上述至少一个存储器42、连接不同系统组件(包括存储器42和处理器41)的总线43。

总线43表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。

存储器42可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)421和/或高速缓存存储器422，还可以进一步包括只读存储器(ROM)423。

存储器42还可以包括具有一组(至少一个)程序模块424的程序/实用工具425，这样的程序模块424包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

计算装置40也可以与一个或多个外部设备44(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与计算装置40交互的设备通信，和/或与使得该计算装置40能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口45进行。并且，计算装置40还可以通过网络适配器46与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器46通过总线43与用于计算装置40的其它模块通信。应当理解，尽管图中未示出，可以结合计算装置40使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

在一些可能的实施方式中，本发明提供的智能机器人奇异构型预测方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在计算机设备上运行时，所述程序代码用于使所述计算机设备执行本说明书上述描述的根据本发明各种示例性实施方式的智能机器人奇异构型预测方法中的步骤，例如，所述计算机设备可以执行如图1中所示的步骤S11、接收控制智能机器人运动的控制指令，和步骤S12、根据第一运动参考信息，确定第一运动参考信息与第二空间的第二运动参考信息之间的转换矩阵；以及步骤S13、针对确定出的转换矩阵，确定所述转换矩阵的奇异条件；步骤S14、当转换矩阵满足奇异条件时，确定所述智能机器人处于奇异构型状态。需要说明的是，上述实施例中涉及的运动控制处理器可以为运行于处理器41中的逻辑功能模块，具体实施时，具体由运动控制处理器实施本发明实施例提供的智能机器人奇异构型预测方法。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

本发明的实施方式的用于智能机器人奇异构型预测的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算设备上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。

此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种智能机器人奇异构型预测方法，其特征在于，包括：

接收控制智能机器人运动的控制指令，所述控制指令中包含有所述智能机器人在第一空间的第一运动参考信息；

根据所述第一运动参考信息，确定转换矩阵，其中，所述转换矩阵用于将所述第一运动参考信息转换为第二空间的第二运动参考信息；

针对确定出的转换矩阵，确定所述转换矩阵的奇异条件；

根据所述奇异条件，确定所述智能机器人是否处于奇异构型状态。

2.如权利要求1所述的方法，其特征在于，针对确定出的转换矩阵，确定所述转换矩阵的奇异条件，具体包括：

针对确定出的转换矩阵，对所述转换矩阵分解降阶；

根据降阶后的矩阵，确定所述转换矩阵的奇异条件。

3.如权利要求2所述的方法，其特征在于，针对确定出的转换矩阵，对所述转换矩阵分解降阶，具体包括：

针对确定出的转换矩阵，利用矢量积法将所述转换矩阵分解为第一矩阵和第二矩阵，其中，所述第一矩阵为可逆矩阵；以及

根据降阶后的矩阵，确定所述转换矩阵的奇异条件，具体包括：

根据所述第二矩阵确定所述转换矩阵的奇异条件。

4.如权利要求3所述的方法，其特征在于，根据所述第二矩阵确定所述转换矩阵的奇异条件，具体包括：

将所述第二矩阵分解为第一矩阵块和第二矩阵块，其中，所述第一矩阵块为非奇异矩阵；

根据所述第二矩阵块确定所述转换矩阵的奇异条件。

5.如权利要求4所述的方法，其特征在于，根据所述第二矩阵块确定所述转换矩阵的奇异条件，具体包括：

将所述第二矩阵块分解为零矩阵和第三矩阵块；

根据所述第三矩阵块确定所述转换矩阵的奇异条件。

6.如权利要求5所述的方法，其特征在于，根据所述第三矩阵块确定所述转换矩阵的奇异条件，具体包括：

确定所述第三矩阵块的n阶主子式为0时的表达式为所述转换矩阵的奇异条件，n为大于等于1的整数。

7.如权利要求1所述的方法，其特征在于，根据所述奇异条件，确定所述智能机器人是否处于奇异构型状态，具体包括：

当所述转换矩阵满足所述奇异条件时，确定所述智能机器人处于奇异构型状态；

当所述转换矩阵不满足所述奇异条件时，确定所述智能机器人不处于奇异构型状态。

8.如权利要求7所述的方法，其特征在于，还包括：

若确定所述智能机器人不处于奇异构型状态，根据所述转换矩阵，将所述第一运动参考信息转换为第二空间的第二运动参考信息；

根据所述第二运动参考信息，控制所述智能机器人运动。

9.如权利要求1～8任一权利要求所述的方法，其特征在于，所述智能机器人为具有多自由度的机械臂机器人，所述第一空间为笛卡尔空间，所述第二空间为机械臂关节空间。

10.一种智能机器人奇异构型预测装置，其特征在于，包括：

接收单元，用于接收控制智能机器人运动的控制指令，所述控制指令中包含有所述智能机器人在第一空间的第一运动参考信息；

第一确定单元，用于根据所述第一运动参考信息，确定转换矩阵，其中所述转换矩阵用于将所述第一运动参考信息转换为第二空间的第二运动参考信息；

第二确定单元，用于针对确定出的转换矩阵，确定所述转换矩阵的奇异条件；

第三确定单元，用于根据所述奇异条件，确定所述智能机器人是否处于奇异构型状态。