CN109693234B - 机器人跌倒预测方法、装置、终端设备及计算机存储介质 - Google Patents
机器人跌倒预测方法、装置、终端设备及计算机存储介质 Download PDFInfo
- Publication number
- CN109693234B CN109693234B CN201710983268.5A CN201710983268A CN109693234B CN 109693234 B CN109693234 B CN 109693234B CN 201710983268 A CN201710983268 A CN 201710983268A CN 109693234 B CN109693234 B CN 109693234B
- Authority
- CN
- China
- Prior art keywords
- robot
- gravity
- offset
- acceleration
- gravity center
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/0008—Balancing devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/1651—Programme controls characterised by the control loop acceleration, rate control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M1/00—Testing static or dynamic balance of machines or structures
- G01M1/12—Static balancing; Determining position of centre of gravity
- G01M1/122—Determining position of centre of gravity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M1/00—Testing static or dynamic balance of machines or structures
- G01M1/30—Compensating unbalance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/40—Robotics, robotics mapping to robotics vision
- G05B2219/40342—Minimize sum of gravitational torques of some joints
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S901/00—Robots
- Y10S901/46—Sensing device
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S901/00—Robots
- Y10S901/49—Protective device
Abstract
本发明适用于机器人技术领域,提供了一种机器人跌倒预测方法、装置、终端设备及计算机存储介质,该方法包括:查找所述机器人的姿态对应的重心偏移加权值;利用所述重心偏移加权值修正所述机器人的重心偏移量;通过所述机器人的重心偏移方向修正所述机器人的加速度;通过修正后的所述重心偏移量和修正后的所述加速度决策所述机器人的跌倒。本发明通过多种数据的融合计算提高了机器人跌倒预测的实时性与准确性。
Description
技术领域
本发明属于机器人技术领域,尤其涉及一种机器人跌倒预测方法、装置、终端设备及计算机存储介质。
背景技术
机器人是自动执行工作的机器装置。它既可以接受人类指挥,又可以运行预先编排的程序,也可以根据以人工智能技术制定的原则纲领行动。它的任务是协助或取代人类工作的工作,例如生产业、建筑业、或是危险的工作。
机器人一般由执行机构、驱动装置、检测装置和控制系统和复杂机械等组成。其中,检测装置用于实时检测机器人的运动及工作情况,根据需要反馈给控制系统,与设定信息进行比较后,对执行机构进行调整,以保证机器人的动作符合预定的要求。作为检测装置的传感器大致可以分为两类:一类是内部信息传感器,用于检测机器人各部分的内部状况,如各节点(即关节)的位置、速度、加速度、重心等,并将所测得的信息作为反馈信号送至控制器,形成闭环控制。一类是外部信息传感器,用于获取有关机器人的作业对象及外界环境等方面的信息,以使机器人的动作能适应外界情况的变化,使之达到更高层次的自动化,甚至使机器人具有某种“感觉”,向智能化发展,例如视觉、声觉等外部传感器给出工作对象、工作环境的有关信息,利用这些信息构成一个大的反馈回路,从而将大大提高机器人的工作精度。
目前普通的机器人跌倒预测技术,根据单一的重心偏移或是单一的加速度值,无法精确对机器人的跌倒进行预测,跌倒预测的误判率大;或者融合多种传感器参数而造成预测硬件成本过高或者预测实时性差等,预测结果无效,从而造成机器人损坏,甚至人员伤亡严重后果。
发明内容
有鉴于此,本发明实施例提供了一种机器人跌倒预测方法、装置、终端设备及计算机存储介质,以有效提高跌倒预测的准确性。
本发明实施例的第一方面提供了一种机器人跌倒预测方法,包括:
查找所述机器人的姿态对应的重心偏移加权值;
利用所述重心偏移加权值修正所述机器人的重心偏移量;
通过所述机器人的重心偏移方向修正所述机器人的加速度;
通过修正后的所述重心偏移量和修正后的所述加速度决策所述机器人的跌倒。
本发明实施例的第二方面提供了一种机器人跌倒预测装置,包括:
查找模块,用于查找所述机器人的姿态对应的重心偏移加权值;
重心偏移量修正模块,用于利用所述重心偏移加权值修正所述机器人的重心偏移量;
加速度修正模块,用于通过所述机器人的重心偏移方向修正所述机器人的加速度;
决策模块,用于通过修正后的所述重心偏移量和修正后的所述加速度决策所述机器人的跌倒。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如第一方面所述方法的步骤。
本发明实施例的第四方面提供了一种计算机存储介质,所述计算机存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:本发明通过机器人原有的各个舵机的位置参数实时得知机器人姿态,并依此查找与所述姿态对应的重心偏移加权值,结合机器人的陀螺仪提供的重心偏移方向和偏移量计算出修正后的重心偏移参数;通过机器人的加速度传感器获取机器人的加速度,并结合修正后的重心偏移参数计算出修正后的加速度参数;最后决策树根据修正后的重心偏移参数与加速度参数对跌倒状态进行预测,最终调整机器人姿态到平衡姿态,防止机器跌倒,从而通过多种数据的融合计算提高了机器人跌倒预测的实时性与准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种机器人跌倒预测方法的实现流程示意图;
图2是本发明实施例提供的一种机器人跌倒预测方法的S101的实现流程示意图;
图3是本发明实施例提供的一种机器人跌倒预测方法的S101的另一种实现流程示意图;
图4是本发明实施例提供的一种机器人跌倒预测方法的S103实现流程示意图;
图5是本发明实施例提供的另一种机器人跌倒预测方法的实现流程示意图;
图6是本发明实施例提供的又一种机器人跌倒预测方法的实现流程示意图;
图7是本发明实施例提供的又一种机器人跌倒预测方法的实现流程示意图;
图8是本发明实施例提供的一种机器人跌倒预测装置的示意图;
图9是本发明实施例提供的一种机器人跌倒预测装置的模块81的一种示意图;
图10是本发明实施例提供的一种机器人跌倒预测装置的模块81的另一种示意图;
图11是本发明实施例提供的一种机器人跌倒预测装置的模块83的示意图;
图12是本发明实施例提供的另一种机器人跌倒预测装置的示意图;
图13是本发明实施例提供的又一种机器人跌倒预测装置的示意图;
图14是本发明实施例提供的又一种机器人跌倒预测装置的示意图;
图15是本发明实施例提供的一种终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“所述”意在包括复数形式。
还应当理解,在本发明的描述中,术语“第一”、“第二”和“第三”等仅用于区分描述,不能理解为指示或暗示相对重要性,更不能理解为“第二”前面必然存在一个“第一”,即不能理解为具有具体的数量含义。
具体实现中,本发明实施例中描述的终端设备包括但不限于机器人。在下面的具体实施方式中,为了方便,将以机器人作为终端设备的例子进行具体描述,本领域技术人员可理解,终端设备并非仅限于机器人。
在接下来的讨论中,描述了包括舵机和陀螺仪的机器人。然而,应当理解的是,机器人可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
终端设备支持各种应用程序,例如以下中的一个或多个:绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在终端设备上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端设备上显示的相应信息。这样,终端设备的公共物理架构(例如,触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
请参见图1,图1是本发明实施例提供的一种机器人跌倒预测方法的示意流程图。本实施例中的方法的执行主体为一种机器人跌倒预测装置,该装置可以由软件和/或硬件实现,集成于机器人中,适用于需要进行机器人跌倒预测的情况。如图1所示的机器人跌倒预测方法,可包括:
S101,查找所述机器人的姿态对应的重心偏移加权值。
其中,对应机器人的不同的姿态,根据预设的第一对应关系,查找所述姿态对应的重心偏移加权值,所述第一对应关系包括所述姿态与所述重心偏移加权值的对应关系。需要说明的是,第一对应关系根据经验进行设计,对不同的机器人而言具有不同的第一对应关系,此处举例仅为示例性说明,本发明对该第一对应关系不做具体限定。
进一步地,可选地,如图2所示,S101包括S101A1和S101A2。
S101A1,获取所述机器人每个节点的位置参数。
在本发明的实施例中,机器人的姿态利用机器人某一姿态时的各个节点舵机的位置传感器的位置参数的集合来表示。机器人的每个节点(即关节)均安装有舵机,舵机包括位置传感器,通过位置传感器可获取舵机的旋转角度,即位置参数,如45°、60°、90°和100°等。不同的舵机,其旋转角度的范围是不一样的,如0°~180°,0°~360°,此处的旋转角度仅为示例性说明。
具体地,S101A1包括:通过机器人各个节点的舵机的位置传感器获取各个节点的位置参数作为机器人的姿态。通过机器人原有的舵机的位置参数获取所述机器人的姿态,不用增加新的硬件,使得硬件成本有效降低。
S101A2,查找所述位置参数的集合对应的重心偏移加权值。
其中,对应不同的位置参数的集合,根据预设的第二对应关系,查找所述位置参数的集合对应的重心偏移加权值,所述第二对应关系包括所述位置参数的集合与所述重心偏移加权值的对应关系。
示例性地,若机器人共包括6个舵机,当6个舵机的位置参数分别为6.5°、15°、45°、60°、95°和112°时,与该组位置参数的集合{6.5°,15°,45°,60°,95°,112°}对应的重心偏移加权值为3;当6个舵机的位置参数分别为5.3°、11°、32°、43°、50°和80.7°时,与该组位置参数的集合{5.3°,11°,32°,43°,50°,80.7°}对应的重心偏移加权值为7。需要说明的是,第二对应关系根据经验进行设计,对不同的机器人而言具有不同的第二对应关系,此处举例仅为示例性说明,本发明对该第二对应关系不做具体限定。
进一步地,可选地,如图3所示,S101包括S101B1、S101B2和S101B3。
S101B1,获取所述机器人每个节点的位置参数。
S101B2,对所述位置参数进行区间离散处理,得到位置离散参数。
其中,在本发明一个实施例中,若机器人采用的各个舵机的旋转角度范围均为0°~360°,将该角度范围平均分为36个左开右闭区间,依次为(0°,10°]、(10,20°]、(20,30°]、……、(350°,360°]。落入第一区间(0°,10°]的位置参数,如6.5°,对应的位置离散参数为D1;落入第二区间(10°,20°]的位置参数,如15°,对应的位置离散参数为D2;落入第五区间(40°,50°]的位置参数,如45°,对应的位置离散参数为D5;落入第六区间(50°,60°]的位置参数,如60°,对应的位置离散参数为D6;落入第十区间(90°,100°]的位置参数,如95°,对应的位置离散参数为D10;落入第十二区间(110°,120°]的位置参数,如112°,对应的位置离散参数为D12。可见,以此类推,将位置参数区间离散处理,得到与之对应的位置离散参数。值得说明的是,此处举例仅为示例性说明,还可以采取其他方式,也可将舵机旋转角度范围平均划分或者非平均划分为其他数量的若干个左开右闭或者左闭右开区间,区间的数量和区间的长度可根据实际需要进行选择设置,本领域技术人员可以理解,划分的区间的总数量越多,精度会越高,但是计算量越大,计算效率越低;此外,若舵机旋转角度范围为0°~180°时方法也采用与此相同的方法,本发明对区间离散处理的方式不做具体限定。
S101B3,查找所述位置离散参数的集合对应的重心偏移加权值。
其中,对应不同的位置离散参数的集合,根据预设的第三对应关系,查找所述位置离散参数的集合对应的重心偏移加权值,所述第三对应关系包括所述位置离散参数的集合与所述重心偏移加权值的对应关系。
示例性地,若机器人共包括6个舵机,当6个舵机的位置参数分别为6.5°、15°、45°、60°、95°和112°时,通过S101B2得到的位置离散参数依次为D1、D2、D5、D6、D10和D12,与该组位置离散参数的集合{D1,D2,D5,D6,D10,D12}对应的重心偏移加权值为3;当6个舵机的位置参数分别为5.3°、11°、32°、43°、50°和80.7°时,通过S101B2得到的位置离散参数依次为D1、D2、D4、D5、D5和D9,与该组位置参数的集合{D1,D2,D4,D5,D5,D9}对应的重心偏移加权值为7。需要说明的是,第三对应关系根据经验进行设计,对不同的机器人而言具有不同的第三对应关系,此处举例仅为示例性说明,本发明对该第三对应关系不做具体限定。
采用S101B1、S101B2和S101B3,先通过区间离散处理得到位置离散参数,再查找与位置离散参数对应的重心偏移加权值,相较于S101A1和S101A2直接查找与位置参数对应的重心偏移加权值,在保证计算精度的同时,减少了数据处理总量,提高了计算效率。
S102,利用所述重心偏移加权值修正所述机器人的重心偏移量。
其中,机器人包括陀螺仪,若机器人为人形机器人,陀螺仪可设置在机器人的心脏部位,通过所述陀螺仪可获取所述机器人的重心参数,所述重心参数包括重心偏移方向gdo和重心偏移量gvo。通过机器人原有的陀螺仪获取所述机器人的加速度,不用增加新的硬件,使得硬件成本有效降低。
可选地,在S102之前,还包括:采用所述机器人的陀螺仪获取所述机器人的重心参数,所述重心参数包括重心偏移方向和重心偏移量。
利用所述重心偏移加权值gf对重心偏移量gvo进行修正,得到修正后的重心偏移量为gvn=gvo×gf。
S103,通过所述机器人的重心偏移方向修正所述机器人的加速度。
其中,如S102中所述,通过所述机器人的陀螺仪可获取所述机器人的重心参数,所述重心参数包括重心偏移方向gdo和重心偏移量gvo。
机器人包括加速度传感器,通过加速度传感器能获取机器人的加速度。常见的加速度传感器包括三轴加速度传感器和二轴加速度传感器。本发明实施例以包括三轴加速度传感器的机器人为例。利用三轴加速度传感器能够获取机器人三个轴向的轴加速度方向axd、ayd和azd,及轴加速度值axv、ayv和azv。其中,axd、ayd和azd依次为X轴加速度方向、Y轴加速度方向和Z轴加速度方向;axv、ayv和azv依次为X轴加速度值、Y轴加速度值和Z轴加速度值。
具体地,如图4所示,S103包括S1031-S1034。
S1031,获取所述机器人的各轴的轴加速度方向和轴加速度值。
其中,通过所述机器人的加速度传感器获取所述机器人的各轴的轴加速度方向axd、ayd和azd和轴加速度值axv、ayv和azv。
S1032,通过所述机器人的各轴向的轴加速度方向和轴加速度值合成所述机器人的加速度方向和加速度值;
其中,通过所述机器人的各轴向的轴加速度方向axd、ayd和azd合成所述机器人的加速度方向acd,通过所述机器人的各轴向的轴加速度值axv、ayv和azv合成所述机器人的加速度值acv。合成方法为本领域技术人员常规技术,此处不再赘述。
通过S1031-S1032,获取所述机器人的加速度方向和加速度值。
S1033,计算所述加速度方向与所述机器人的重心偏移方向的相关性因子。
其中,计算所述加速度方向acd与所述机器人的重心偏移方向gdo的相关性因子vf,包括:计算所述加速度方向acd与所述机器人的重心偏移方向gdo的夹角θ;计算所述夹角θ对应的相关性因子vf。
一方面,可以通过所述夹角θ与相关性因子vf的函数关系式来计算相关性因子vf。
示例性地,函数关系式:vf=|(θ-π)/(θ+π)|,此关系式中θ的单位为弧度;或线性关系式;或指数关系式;或曲线关系式等。需要说明的是,此处函数关系式根据经验进行设计,对不同的机器人而言具有不同的函数关系式,此处举例仅为示例性说明,本发明对该函数关系式不做具体限定。
另一方面,还可以通过夹角θ与相关性因子vf的对应关系来计算所述相关性因子vf。例如:根据预设的第四对应关系,查找所述夹角θ对应的相关性因子vf,所述第四对应关系包括所述夹角θ与所述相关性因子vf的对应关系。
示例性地,若夹角θ分别为6.5°、15°和45°时,与所述夹角θ依次对应的相关性因子vf为0.1、0.3和0.5。需要说明的是,第四对应关系根据经验进行设计,对不同的机器人而言具有不同的第四对应关系,此处举例仅为示例性说明,本发明对该第四对应关系不做具体限定。
S1034,利用所述相关性因子修正所述加速度方向和所述加速度值。
其中,利用所述相关性因子vf修正所述加速度方向acd和所述加速度值acv,包括:利用所述相关性因子vf修正所述加速度方向acd,得到修正后的加速度方向acdn=acd×vf;利用所述相关性因子vf修正所述加速度值acv,得到修正后的加速度值acvn=acv×vf。
S104,通过修正后的所述重心偏移量和修正后的所述加速度决策所述机器人的跌倒。
通过修正后的所述重心偏移量、修正后的加速度方向和加速度值、及决策树参数计算所述机器人的跌倒可能性P和跌倒方向V,及决策结果。其中,决策树参数包括决策树因子pf和跌倒可能性阈值pt。pf和pt均为决策树的训练结果。
决策树利用神经网络训练方式,先把pf设置为最小的值,如0.1,pt设置为最大值,如1,接着推动机器人,然后比较决策树给出的决策结论与机器人实际跌倒情况来渐渐修正pf和pt。即如果机器人连续实际跌倒多次,但决策树给出的决策结论为非跌倒,则适当增大pf,同时适当减少pt。然后再次循环地推动机器人进行实验,直到机器人实际跌倒情况与决策树给出的决策结论相吻合程度达到满意程度为止,此时pf和pt即为决策树的训练结果。
具体地,S104包括:利用修正后的所述重心偏移量gvn、修正后的所述加速度值acvn、和决策树因子pf计算所述机器人的跌倒可能性P,P=acvn×gvn×pf;利用所述重心偏移方向gdo、修正后的所述加速度方向acdn、和决策树因子pf计算所述机器人的跌倒方向V,V=acdn×gdo×pf;若跌倒可能性P大于或等于跌倒可能性阀值pt,则说明所述机器人要跌倒;若跌倒可能性P小于跌倒可能性阀值pt,则说明所述机器人不会跌倒,以实现所述机器人的跌倒预测。
本实施例通过机器人原有的各个舵机的位置参数实时得知机器人姿态,并依此查找与所述姿态对应的重心偏移加权值,结合机器人的陀螺仪提供的重心偏移方向和偏移量计算出修正后的重心偏移参数;通过机器人的加速度传感器获取机器人的加速度,并结合修正后的重心偏移参数计算出修正后的加速度参数;最后决策树根据修正后的重心偏移参数与加速度参数对跌倒状态进行预测,从而提高了机器人跌倒预测的实时性与准确性。
请参见图5,图5是本发明实施例提供的又一种机器人跌倒预测方法的示意流程图。本实施例中的方法在图1所示方法的基础上做了进一步改进,与图1相同之处不再赘述。如图5所示的机器人跌倒预测方法,可包括:
S501,确定所述机器人的重心偏移量大于或等于第一重心偏移量阈值。
其中,当确定重心偏移量gvo大于或等于第一重心偏移程度阀值,则说明对机器人第一次跌倒预判结果为跌倒的可能性较大,需要继续执行步骤S502。
S502,查找所述机器人的姿态对应的重心偏移加权值;
S503,利用所述重心偏移加权值修正所述机器人的重心偏移量;
S504,确定修正后的所述重心偏移量大于或等于第二重心偏移量阈值。
其中,当确定修正后的所述重心偏移量gvn大于或等于第二重心偏移程度阀值,则说明对机器人第二次跌倒预判结果为跌倒的可能性较大,需要继续执行步骤S505。
S505,通过所述机器人的重心偏移方向修正所述机器人的加速度;
S506,通过修正后的所述重心偏移量和修正后的所述加速度决策所述机器人的跌倒。
本实施例通过确定所述机器人的重心偏移量大于或等于第一重心偏移量阈值;并通过机器人原有的各个舵机的位置参数实时得知机器人姿态,并依此查找与所述姿态对应的重心偏移加权值,结合机器人的陀螺仪提供的重心偏移方向和偏移程度计算出修正后的重心偏移参数;确定修正后的所述重心偏移量大于或等于第二重心偏移量阈值;通过机器人的加速度传感器获取机器人的加速度,并结合修正后的重心偏移参数计算出修正后的加速度参数;最后决策树根据修正后的重心偏移参数与加速度参数对跌倒状态进行预测,从而经过跌倒预判和多种数据的融合计算,提高了机器人跌倒预测的实时性与准确性。
请参见图6,图6是本发明实施例提供的又一种机器人跌倒预测方法的示意流程图。本实施例中的方法在图1所示方法的基础上做了进一步改进,与图1相同之处不再赘述。如图6所示的机器人跌倒预测方法,可包括:
S601,获取所述机器人的重心偏移量和重心偏移方向。
S602,判断所述重心偏移量是否大于或等于第一重心偏移量阈值;若是,则执行步骤S603;若否,则返回步骤S601。
其中,若所述重心偏移量大于或等于第一重心偏移量阈值,则说明对机器人第一次跌倒预判结果为跌倒的可能性较大,需要继续执行步骤S603;若所述重心偏移量小于第一重心偏移量阈值,则说明对机器人第一次跌倒预判结果为跌倒的可能性很小,不继续执行步骤S603,返回步骤S601,重新获取所述机器人的重心偏移量和重心偏移方向。
S603,查找所述机器人的姿态对应的重心偏移加权值。
S604,利用所述重心偏移加权值修正所述机器人的重心偏移量。
S605,判断修正后的所述重心偏移量是否大于或等于第二重心偏移量阈值;若是,则执行步骤S606;若否,则返回步骤S601。
其中,若修正后的所述重心偏移量大于或等于第二重心偏移量阈值,则说明对机器人第二次跌倒预判结果为跌倒的可能性较大,需要继续执行步骤S606;若修正后的所述重心偏移量小于第二重心偏移量阈值,则说明对机器人第二次跌倒预判结果为跌倒的可能性很小,不继续执行步骤S606,返回步骤S601,重新获取所述机器人的重心偏移量和重心偏移方向。
S606,获取所述机器人的各轴的轴加速度方向和轴加速度值。
S607,通过各轴的轴加速度方向和轴加速度值合成所述机器人的加速度方向和加速度值。
S608,计算所述加速度方向与所述重心偏移方向的相关性因子。
S609,利用所述相关性因子修正所述加速度方向和所述加速度值。
S610,通过修正后的所述重心偏移量、修正后的加速度方向和加速度值、及决策树参数计算所述机器人的跌倒可能性和跌倒方向,及决策结果。
本实施例通过确定所述机器人的重心偏移量大于或等于第一重心偏移量阈值;并通过机器人原有的各个舵机的位置参数实时得知机器人姿态,并依此查找与所述姿态对应的重心偏移加权值,结合机器人的陀螺仪提供的重心偏移方向和偏移程度计算出修正后的重心偏移参数;确定修正后的所述重心偏移量大于或等于第二重心偏移量阈值;通过机器人的加速度传感器获取机器人的加速度,并结合修正后的重心偏移参数计算出修正后的加速度参数;最后决策树根据修正后的重心偏移参数与加速度参数对跌倒状态进行预测,从而经过跌倒预判和多种数据的融合计算,提高了机器人跌倒预测的实时性与准确性。
请参见图7,图7是本发明实施例提供的又一种机器人跌倒预测方法的示意流程图。本实施例中的方法在图1-6所示任一方法的基础上做了进一步限定,不同之处仅在于在最后步骤之后增加了调整步骤,本实施例以在图1所示方法的基础上为例进行说明,与图1相同之处此处不再赘述。如图7所示的机器人跌倒预防方法,可包括:
S701,查找所述机器人的姿态对应的重心偏移加权值。
S702,利用所述重心偏移加权值修正所述机器人的重心偏移量。
S703,通过所述机器人的重心偏移方向修正所述机器人的加速度。
S704,通过修正后的所述重心偏移量和修正后的所述加速度决策所述机器人的跌倒。
S705,根据决策结果调整所述机器人的姿态,以预防所述机器人跌倒。
其中,通过S704计算出机器人跌倒可能性P和跌倒方向V,若跌倒可能性P大于或等于跌倒可能性阀值pt,则说明所述机器人要跌倒;若跌倒可能性P小于跌倒可能性阀值pt,则说明所述机器人不会跌倒,以实现所述机器人的跌倒预测。
具体地,S705包括:若决策结果为机器人要跌倒,则利用跌倒可能性P、跌倒方向V计算出机器人的平衡姿态,并根据平衡姿态来调整机器人姿态,从而达到防跌倒目的。示例性地,通过计算机器人的新的舵机的位置参数来达到机器人的平衡姿态,并通过新的位置参数来调整机器人姿态,从而达到预防跌倒的目的。
本实施例通过机器人原有的各个舵机的位置参数实时得知机器人姿态,并依此查找与所述姿态对应的重心偏移加权值,结合机器人的陀螺仪提供的重心偏移方向和偏移程度计算出修正后的重心偏移参数;确定修正后的所述重心偏移量大于或等于第二重心偏移量阈值;通过机器人的加速度传感器获取机器人的加速度,并结合修正后的重心偏移参数计算出修正后的加速度参数;最后决策树根据修正后的重心偏移参数与加速度参数对跌倒状态进行预测,根据决策结果调整所述机器人的姿态,以预防所述机器人跌倒。
参见图8,图8是本发明实施例提供的一种机器人跌倒预测装置的示意框图。该跌倒预测装置实施例中未详细描述之处,请参见跌倒预测方法图1-4所述实施例。本实施例的机器人跌倒预测装置8包括:查找模块81、重心偏移量修正模块82、加速度修正模块83以及决策模块84。
其中,查找模块81,用于查找所述机器人的姿态对应的重心偏移加权值;
重心偏移量修正模块82,用于利用所述重心偏移加权值修正所述机器人的重心偏移量;
加速度修正模块83,用于通过所述机器人的重心偏移方向修正所述机器人的加速度;
决策模块84,用于通过修正后的所述重心偏移量和修正后的所述加速度决策所述机器人的跌倒。
进一步地,一方面,如图9所示,查找模块81包括位置参数获取单元81A1和查找单元81A2。
其中,位置参数获取单元81A1,用于获取所述机器人每个节点的位置参数。
查找单元81A2,用于查找所述位置参数的集合对应的重心偏移加权值。
另一方面,如图10所示,查找模块81包括位置参数获取单元81B1、区间离散处理单元81B2和查找单元81B3。
其中,位置参数获取单元81B1,用于获取所述机器人每个节点的位置参数。
区间离散处理单元81B2,用于对所述位置参数进行区间离散处理,得到位置离散参数。
查找单元81B3,用于查找所述位置离散参数的集合对应的重心偏移加权值。
进一步地,如图11所示,加速度修正模块83包括:轴加速度获取单元831、合成单元832、计算单元833和修正单元834。
其中,轴加速度获取单元831,用于获取所述机器人的各轴的轴加速度方向和轴加速度值。
合成单元832,用于通过所述机器人的各轴向的轴加速度方向和轴加速度值合成所述机器人的加速度方向和加速度值。
计算单元833,用于计算所述加速度方向与所述机器人的重心偏移方向的相关性因子。
修正单元834,用于利用所述相关性因子修正所述加速度方向和所述加速度值。
参见图12,图12是本发明实施例提供的另一种机器人跌倒预测装置的示意框图。该跌倒预测装置实施例中未详细描述之处,请参见跌倒预测方法图5所述的实施例。本实施例的机器人跌倒预测装置12包括:第一确定模块121、查找模块122、重心偏移量修正模块123、第二确定模块124、加速度修正模块125以及决策模块126。
其中,第一确定模块121,用于确定所述机器人的重心偏移量大于或等于第一重心偏移量阈值。
查找模块122,用于查找所述机器人的姿态对应的重心偏移加权值;
重心偏移量修正模块123,用于利用所述重心偏移加权值修正所述机器人的重心偏移量;
第二确定模块124,用于确定修正后的所述重心偏移量大于或等于第二重心偏移量阈值。
加速度修正模块125,用于通过所述机器人的重心偏移方向修正所述机器人的加速度;
决策模块126,用于通过修正后的所述重心偏移量和修正后的所述加速度决策所述机器人的跌倒。
参见图13,图13是本发明实施例提供的又一种机器人跌倒预测装置的示意框图。该跌倒预测装置实施例中未详细描述之处,请参见跌倒预测方法图6所述的实施例。本实施例的机器人跌倒预测装置13包括:重心参数获取模块131、第一判断模块132、查找模块133、重心偏移量修正模块134、第二判断模块135、轴加速度获取模块136、合成模块137、计算模块138、修正模块139和决策模块1310。
其中,重心参数获取模块131,用于获取所述机器人的重心偏移量和重心偏移方向。
第一判断模块132,用于判断所述重心偏移量是否大于或等于第一重心偏移量阈值;若是,则连接查找模块133;若否,则连接重心参数获取模块131。
查找模块133,用于若所述第一判断模块132判断所述重心偏移量大于或等于第一重心偏移量阈值,查找所述机器人的姿态对应的重心偏移加权值。
重心偏移量修正模块134,用于利用所述重心偏移加权值修正所述机器人的重心偏移量。
第二判断模块135,用于判断修正后的所述重心偏移量是否大于或等于第二重心偏移量阈值;若是,则连接轴加速度获取模块136;若否,则连接重心参数获取模块131。
轴加速度获取模块136,用于若所述第二判断模块135判断修正后的所述重心偏移量大于或等于第二重心偏移量阈值,获取所述机器人的各轴的轴加速度方向和轴加速度值。
合成模块137,用于通过各轴的轴加速度方向和轴加速度值合成所述机器人的加速度方向和加速度值。
计算模块138,计算所述加速度方向与所述重心偏移方向的相关性因子。
修正模块139,利用所述相关性因子修正所述加速度方向和所述加速度值。
决策模块1310,通过修正后的所述重心偏移量、修正后的加速度方向和加速度值、及决策树参数计算所述机器人的跌倒可能性和跌倒方向。
其中,所述重心参数获取模块131,还用于若所述第一判断模块132判断所述重心偏移量小于第一重心偏移量阈值,所述第二判断模块135判断修正后的所述重心偏移量小于第二重心偏移量阈值,则重新获取所述机器人的重心偏移量和重心偏移方向。
请参见图14,图14是本发明实施例提供的又一种机器人跌倒预测装置的示意流程图。本实施例装置与图8-图13所示装置的不同之处仅在于在装置中增加了调整模块,本实施例在图8所示的预测装置的基础上为例进行说明,与图8相同之处此处不再赘述。如图14所示的机器人跌倒预测装置,包括:查找模块141、重心偏移量修正模块142、加速度修正模块143、决策模块144以及调整模块145。
其中,查找模块141,用于查找所述机器人的姿态对应的重心偏移加权值。
重心偏移量修正模块142,用于利用所述重心偏移加权值修正所述机器人的重心偏移量。
加速度修正模块143,用于通过所述机器人的重心偏移方向修正所述机器人的加速度。
决策模块144,用于通过修正后的所述重心偏移量和修正后的所述加速度决策所述机器人的跌倒。
调整模块145,用于根据决策结果调整所述机器人的姿态,以预防所述机器人跌倒。
图15是本发明实施例提供的终端设备的示意图。如图15所示,该实施例的终端设备15包括:处理器150、存储器151以及存储在所述存储器151中并可在所述处理器150上运行的计算机程序152,例如机器人跌倒预测的程序。所述处理器150执行所述计算机程序152时实现上述各个机器人跌倒预测方法实施例中的步骤,例如图1所示的S101至S104,或图7所示的S701至S705。或者,所述处理器150执行所述计算机程序152时实现上述各装置实施例中各模块/单元的功能,例如图8所示模块81至84的功能,或图14所示模块141至145的功能。
示例性的,所述计算机程序152可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器151中,并由所述处理器150执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序152在所述终端设备15中的执行过程。例如,所述计算机程序152可以被分割成查找模块、重心偏移量修正模块、加速度修正模块、决策模块(虚拟装置中的模块),各模块具体功能如下:
查找模块81,用于查找所述机器人的姿态对应的重心偏移加权值;
重心偏移量修正模块82,用于利用所述重心偏移加权值修正所述机器人的重心偏移量;
加速度修正模块83,用于通过所述机器人的重心偏移方向修正所述机器人的加速度;
决策模块84,用于通过修正后的所述重心偏移量和修正后的所述加速度决策所述机器人的跌倒。
所述终端设备15可以是包括舵机、陀螺仪和加速度传感器的机器人。所述终端设备可包括,但不仅限于,处理器150、存储器151。本领域技术人员可以理解,图15仅仅是终端设备15的示例,并不构成对终端设备15的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线、舵机和陀螺仪等。
所称处理器150可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器151可以是所述终端设备15的内部存储单元,例如终端设备15的硬盘或内存。所述存储器151也可以是所述终端设备15的外部存储设备,例如所述终端设备15上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器151还可以既包括所述终端设备15的内部存储单元也包括外部存储设备。所述存储器151用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器151还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (11)
1.一种机器人跌倒预测方法,其特征在于,包括:
查找所述机器人的姿态对应的重心偏移加权值;
利用所述重心偏移加权值修正所述机器人的重心偏移量;
通过所述机器人的重心偏移方向修正所述机器人的加速度;
通过修正后的所述重心偏移量和修正后的所述加速度决策所述机器人的跌倒;
所述查找与所述机器人的姿态对应的重心偏移加权值,包括:获取所述机器人每个节点的位置参数;查找所述位置参数的集合对应的重心偏移加权值;或,
所述查找与所述机器人的姿态对应的重心偏移加权值,包括:获取所述机器人每个节点的位置参数;对所述位置参数进行区间离散处理,得到位置离散参数;查找与所述位置离散参数的集合对应的重心偏移加权值。
2.如权利要求1所述的方法,其特征在于,所述利用所述重心偏移加权值修正所述机器人的重心偏移量,包括:
利用所述重心偏移加权值乘以所述机器人的重心偏移量计算得到修正后的所述重心偏移量。
3.如权利要求1或2所述的方法,其特征在于,所述通过所述机器人的重心偏移方向修正所述机器人的加速度,包括:
获取所述机器人的加速度方向和加速度值;
计算所述加速度方向与所述机器人的重心偏移方向的相关性因子;
利用所述相关性因子修正所述加速度方向和所述加速度值。
4.如权利要求1或2所述的方法,其特征在于,所述通过修正后的所述重心偏移量和修正后的所述加速度决策所述机器人的跌倒,包括:
通过修正后的所述重心偏移量、修正后的加速度方向和加速度值、及决策树参数计算所述机器人的跌倒可能性和跌倒方向,及决策结果。
5.如权利要求4所述的方法,其特征在于,所述通过修正后的所述重心偏移量、修正后的加速度方向和加速度值、及决策树参数计算所述机器人的跌倒可能性和跌倒方向,及决策结果,包括:
利用修正后的所述重心偏移量、修正后的所述加速度值、和决策树因子计算所述机器人的跌倒可能性;利用所述重心偏移方向、修正后的所述加速度方向、和所述决策树因子计算所述机器人的跌倒方向;
若所述跌倒可能性大于或等于跌倒可能性阀值,则所述机器人要跌倒;若所述跌倒可能性小于所述跌倒可能性阀值,则所述机器人不会跌倒。
6.如权利要求1或2所述的方法,其特征在于,所述查找与所述机器人的姿态对应的重心偏移加权值之前,还包括:
确定所述机器人的重心偏移量大于或等于第一重心偏移量阈值;
所述通过所述机器人的重心偏移方向修正所述机器人的加速度之前,还包括:
确定修正后的所述重心偏移量大于或等于第二重心偏移量阈值。
7.如权利要求1所述的方法,其特征在于,所述通过修正后的所述重心偏移量和修正后的所述加速度决策所述机器人的跌倒之后,还包括:
根据决策结果调整所述机器人的姿态,以预防所述机器人跌倒。
8.一种机器人跌倒预测装置,其特征在于,包括:
查找模块,用于查找所述机器人的姿态对应的重心偏移加权值;
重心偏移量修正模块,用于利用所述重心偏移加权值修正所述机器人的重心偏移量;
加速度修正模块,用于通过所述机器人的重心偏移方向修正所述机器人的加速度;
决策模块,用于通过修正后的所述重心偏移量和修正后的所述加速度决策所述机器人的跌倒;
所述查找与所述机器人的姿态对应的重心偏移加权值,包括:获取所述机器人每个节点的位置参数;查找所述位置参数的集合对应的重心偏移加权值;或,
所述查找与所述机器人的姿态对应的重心偏移加权值,包括:获取所述机器人每个节点的位置参数;对所述位置参数进行区间离散处理,得到位置离散参数;查找与所述位置离散参数的集合对应的重心偏移加权值。
9.如权利要求8所述的装置,其特征在于,还包括:
调整模块,用于根据决策结果调整所述机器人的姿态,以预防所述机器人跌倒。
10.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
11.一种计算机存储介质,所述计算机存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710983268.5A CN109693234B (zh) | 2017-10-20 | 2017-10-20 | 机器人跌倒预测方法、装置、终端设备及计算机存储介质 |
US15/856,052 US10821606B2 (en) | 2017-10-20 | 2017-12-27 | Computer-implemented method for robot fall prediction, and robot |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710983268.5A CN109693234B (zh) | 2017-10-20 | 2017-10-20 | 机器人跌倒预测方法、装置、终端设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109693234A CN109693234A (zh) | 2019-04-30 |
CN109693234B true CN109693234B (zh) | 2021-08-27 |
Family
ID=66170415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710983268.5A Active CN109693234B (zh) | 2017-10-20 | 2017-10-20 | 机器人跌倒预测方法、装置、终端设备及计算机存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10821606B2 (zh) |
CN (1) | CN109693234B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427536B (zh) * | 2019-08-12 | 2022-03-04 | 深圳忆海原识科技有限公司 | 一种类脑决策与运动控制系统 |
CN110579369A (zh) * | 2019-09-30 | 2019-12-17 | 许昌开普检测研究院股份有限公司 | 一种检验变电站机器人爬坡和跌落能力的设备 |
CN113443313B (zh) * | 2021-07-13 | 2023-01-10 | 深圳市海柔创新科技有限公司 | 机器人跌落的处理方法、装置、服务器及存储介质 |
CN113910243B (zh) * | 2021-11-15 | 2024-01-12 | 深圳市普渡科技有限公司 | 机器人、管理机器人摔倒的方法、计算机产品及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1697723A (zh) * | 2003-03-23 | 2005-11-16 | 索尼株式会社 | 机器人装置和控制该装置的方法 |
JP2015134125A (ja) * | 2014-01-18 | 2015-07-27 | 岩渕 俊昭 | 二足歩行ロボット玩具 |
CN106272564A (zh) * | 2015-05-29 | 2017-01-04 | 鸿富锦精密工业(深圳)有限公司 | 机器人防跌倒系统 |
US9597153B2 (en) * | 2014-03-17 | 2017-03-21 | Intuitive Surgical Operations, Inc. | Positions for multiple surgical mounting platform rotation clutch buttons |
CN106709471A (zh) * | 2017-01-05 | 2017-05-24 | 宇龙计算机通信科技(深圳)有限公司 | 跌倒检测方法及装置 |
CN106737549A (zh) * | 2016-12-21 | 2017-05-31 | 安科智慧城市技术(中国)有限公司 | 一种移动机器人及其防倾覆方法和装置 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3672101B2 (ja) * | 2001-12-28 | 2005-07-13 | 本田技研工業株式会社 | 脚式移動ロボットの歩容生成装置 |
EP2206583B1 (en) * | 2003-06-27 | 2011-10-19 | Honda Motor Co., Ltd. | Control device of legged mobile robot |
US7603199B2 (en) * | 2003-11-27 | 2009-10-13 | Honda Motor Co., Ltd. | Control device for mobile body |
JP2006136962A (ja) * | 2004-11-11 | 2006-06-01 | Hitachi Ltd | 移動ロボット |
JP4548135B2 (ja) * | 2005-02-03 | 2010-09-22 | トヨタ自動車株式会社 | 脚式ロボットとその制御方法 |
TWI356357B (en) * | 2007-12-24 | 2012-01-11 | Univ Nat Chiao Tung | A method for estimating a body pose |
JP5489965B2 (ja) * | 2009-12-24 | 2014-05-14 | 本田技研工業株式会社 | 行動制御システムおよびロボット |
FR2964055B1 (fr) * | 2010-08-27 | 2012-08-17 | Aldebaran Robotics S A | Robot humanoide dote de capacites de gestion de chutes et methode de gestion desdites chutes |
CN202264835U (zh) * | 2011-09-07 | 2012-06-06 | 广东工业大学 | 双足机器人的运动规划系统 |
JP5962679B2 (ja) * | 2014-01-20 | 2016-08-03 | トヨタ自動車株式会社 | 2足歩行ロボット制御方法及び2足歩行ロボット制御システム |
JP6410174B2 (ja) * | 2014-10-17 | 2018-10-24 | 本田技研工業株式会社 | 移動ロボット |
CN106737682B (zh) * | 2016-12-31 | 2019-08-16 | 深圳市优必选科技有限公司 | 机器人掉电防摔方法和装置及掉电防摔机器人 |
CN107214698B (zh) * | 2017-05-05 | 2019-08-06 | 上海交通大学 | 基于机身重心位移校正的六足机器人关节角度标定方法 |
-
2017
- 2017-10-20 CN CN201710983268.5A patent/CN109693234B/zh active Active
- 2017-12-27 US US15/856,052 patent/US10821606B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1697723A (zh) * | 2003-03-23 | 2005-11-16 | 索尼株式会社 | 机器人装置和控制该装置的方法 |
JP2015134125A (ja) * | 2014-01-18 | 2015-07-27 | 岩渕 俊昭 | 二足歩行ロボット玩具 |
US9597153B2 (en) * | 2014-03-17 | 2017-03-21 | Intuitive Surgical Operations, Inc. | Positions for multiple surgical mounting platform rotation clutch buttons |
CN106272564A (zh) * | 2015-05-29 | 2017-01-04 | 鸿富锦精密工业(深圳)有限公司 | 机器人防跌倒系统 |
CN106737549A (zh) * | 2016-12-21 | 2017-05-31 | 安科智慧城市技术(中国)有限公司 | 一种移动机器人及其防倾覆方法和装置 |
CN106709471A (zh) * | 2017-01-05 | 2017-05-24 | 宇龙计算机通信科技(深圳)有限公司 | 跌倒检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US20190118380A1 (en) | 2019-04-25 |
US10821606B2 (en) | 2020-11-03 |
CN109693234A (zh) | 2019-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109693234B (zh) | 机器人跌倒预测方法、装置、终端设备及计算机存储介质 | |
US9902062B2 (en) | Apparatus and methods for training path navigation by robots | |
CN109716361B (zh) | 执行触摸运动预测的深度机器学习 | |
US20190195631A1 (en) | Positioning method, positioning device, and robot | |
CN109739223B (zh) | 机器人避障控制方法、装置、终端设备及存储介质 | |
US11833692B2 (en) | Method and device for controlling arm of robot | |
CN112020694B (zh) | 用于支持对象控制的方法、系统和非暂时性计算机可读记录介质 | |
CN112417805B (zh) | 像素版图处理方法、装置及存储介质 | |
CN110827325A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN111024082B (zh) | 一种规划机器人局部路径的方法、装置及机器人 | |
US10573273B2 (en) | Method and system for device placement based optimization techniques | |
JP7197550B2 (ja) | ビジュアルローカリゼーションとオドメトリに基づく経路追跡方法およびシステム | |
CN113752250A (zh) | 机器人关节的控制方法、装置、机器人及存储介质 | |
CN110297460A (zh) | 热位移修正系统以及计算机 | |
CN109693233B (zh) | 机器人姿态检测方法、装置、终端设备及计算机存储介质 | |
US9927917B2 (en) | Model-based touch event location adjustment | |
KR101870542B1 (ko) | 모션 인식 방법 및 장치 | |
CN112836425A (zh) | 一种基于粒子群优化算法的圆柱体拟合方法及装置 | |
CN110187144B (zh) | 加速度传感器校准方法及装置 | |
EP3479204B1 (en) | User tracking for use in virtual reality | |
US11491650B2 (en) | Distributed inference multi-models for industrial applications | |
US20150149394A1 (en) | Boundary Graph Machine Learning Algorithm for Regression and Classification | |
CN115222593A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113110544A (zh) | 机器人的控制方法、装置、设备及存储介质 | |
CN116363337A (zh) | 模型游览方法、装置和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |