CN112025698B - 一种基于撞击预测和主动顺应的机器人跌倒保护方法及系统 - Google Patents
一种基于撞击预测和主动顺应的机器人跌倒保护方法及系统 Download PDFInfo
- Publication number
- CN112025698B CN112025698B CN202010670711.5A CN202010670711A CN112025698B CN 112025698 B CN112025698 B CN 112025698B CN 202010670711 A CN202010670711 A CN 202010670711A CN 112025698 B CN112025698 B CN 112025698B
- Authority
- CN
- China
- Prior art keywords
- robot
- joint
- representing
- fall
- ground
- 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
- B25J9/1679—Programme controls characterised by the tasks executed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J13/00—Controls for manipulators
- B25J13/08—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices
- B25J13/087—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices for sensing other physical parameters, e.g. electrical or chemical properties
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J17/00—Joints
- B25J17/02—Wrist joints
- B25J17/0258—Two-dimensional joints
-
- 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
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
Abstract
本发明涉及一种基于撞击预测和主动顺应的机器人跌倒保护方法及系统。该方法包括:在机器人受到推力后,应用预先训练完成的跌倒保护控制模型计算得到机器人的运动控制参数;根据机器人的运动控制参数进行撞击预测,得到预测的机器人撞击地面的时刻;根据机器人的运动控制参数和预测的机器人撞击地面的时刻,对机器人进行主动顺应,实现机器人跌倒保护。该系统包括跌倒检测模块、跌倒保护模块。本发明对机器人触地的时刻进行预测,并依据预测结果提前执行主动顺应,减小了传感器延迟带来的干扰,减小了冲击力,可用于仿人机器人的跌倒保护,为机器人在复杂环境中的研究和应用提供了帮助,减少了机器人可能受到的伤害。
Description
技术领域
本发明涉及信息科学领域,尤其涉及一种基于撞击预测和主动顺应的机器人跌倒保护方法及系统。
背景技术
仿人机器人研究的目标是使机器人能走出实验室并且具备能在人类日常工作生活的环境中执行任务的能力。要实现这个目标,机器人需要具备处理难以避免的跌倒的能力。机器人跌倒控制已经有十几年的研究历史,过程中研究者们提出了一系列针对仿人机器人跌倒的保护控制方法,其中三角支撑和主动顺应都被证明是很有效的方法。
三角支撑是借鉴柔道中受身术(UKEMI)的人体保护动作提出的类人的机器人前向跌倒控制策略,包括迅速的下蹲动作以减少势能,弯曲膝盖从而提前触地以吸收部分冲击能量,手部触地以吸收剩余的冲击能量。此后,基于动力学分析的跌倒过程最优重心轨迹求解算法相关工作被提出。通过此方法,机器人能够一定程度上在跌倒过程中躲避障碍物。此外,若因环境因素限制无法改变跌倒方法,机器人可通过自转的方式,在跌倒过程中让身体不重要的部分(如背包)先触地,尽可能吸收撞击能量。该控制策略与人跌倒控制方式相似,先采取迈步策略吸收部分撞击能量,而后让双臂垂直触地吸收剩余的撞击能量,同时该策略可以保持身体重心处在较高位置,减少跌倒过程中势能向动能的转换。
基于主动顺应机制的跌倒控制的核心思想是延长撞击时间,并降低所受冲击力的最大峰值。通过计算将肘部关节舵机的PD增益(Proportional-Derivative)降低到合适的数值,使得关节在位置精度上具有一定的容错空间,在撞击地面时能够被动的弯曲,产生缓冲作用。
在前人工作中,往往在检测到撞击后才开始采用主动顺应策略,这样会导致在撞击地面瞬间,绝大部分撞击能量已被机器人吸收。撞击时刻后再采取主动顺应策略会减小主动顺应的效果。因此本发明提出了通过预测撞击发生的时刻,提前采取主动顺应策略。为了进一步探究机器人如何在跌倒时最小化受到的损伤,本发明在前人工作的基础上提出了一种新的机器人跌倒保护方法,通过该方法可以得到机器人在跌倒时的控制策略。
发明内容
本发明的目的是提供一种基于撞击预测和主动顺应的机器人跌倒保护方法,该方法对机器人躯干传感器收集到的信息进行处理,从而得到机器人跌倒时所应该采取的动作。可用于仿人机器人的跌倒保护,为机器人在复杂环境中的研究和应用提供了帮助,减少了机器人可能受到的伤害。
本发明提供了如下技术方案:
一种基于撞击预测和主动顺应的机器人跌倒保护方法,包括以下步骤:
在机器人受到推力后,应用预先训练完成的跌倒保护控制模型计算得到机器人的运动控制参数;
根据机器人的运动控制参数进行撞击预测,得到预测的机器人撞击地面的时刻;
根据机器人的运动控制参数和预测的机器人撞击地面的时刻,对机器人进行主动顺应,实现机器人跌倒保护。
进一步地,在机器人受到推力后,首先进行跌倒检测,包括:读取传感器数值并判断其是否超过阈值,如果超过则进行跌倒保护,如果没超过则继续执行当前正在执行的任务。
进一步地,所述跌倒保护控制模型是传感器数值到运动控制参数的映射模型,所述运动控制参数包括四部分:
第一部分参数为w1~w6,用于控制触地前身体的姿态,其中w1表示机器人肩关节的俯仰角,w2表示机器人肩关节的翻滚角,w3表示机器人肘关节的翻滚角,w4表示机器人髋关节的俯仰角,w5表示机器人髋关节的翻滚角,w6表示机器人膝关节的俯仰角;
第二部分参数为w7~w9,用于控制触地后关节的扭矩,其中w7表示机器人髋关节的扭矩变化的速度,w8表示机器人膝关节的扭矩变化的速度,w9表示机器人肘关节的扭矩变化的速度;
第三部分参数为w10~w12,用于控制触地后关节的角度,其中w10表示机器人髋关节的角度变化的速度,w11表示机器人膝关节的角度变化的速度,w12表示机器人肘关节的角度变化的速度;
第四部分参数为w13、w14,用于计算开始主动顺应的时间,其中左右手触地后主动顺应开始的时间分别为t1和t2,由下式计算得到:
t1=w13/*H-w14*θ
t2=w13/*H+w14*θ
其中,w13表示机器人质心高度对撞击地面时刻的影响的大小,w14表示机器人跌倒开始时质心移动方向与垂直地面方向的夹角对撞击地面时刻的影响的大小,H表示机器人质心高度,θ表示机器人跌倒开始时质心移动方向与垂直地面方向的夹角。
进一步地,在进行所述撞击预测之前,对机器人进行三角支撑,包括:
控制机器人的肩关节的俯仰角、肩关节的翻滚角和肘关节分别转动到w1、w2和w3参数代表的角度,机器人因此完成向前伸臂动作;
控制机器人的髋关节的俯仰角、髋关节的翻滚角和膝关节分别转动到w4、w5和w6参数代表的角度,机器人因此完成向前迈步动作。
进一步地,所述撞击预测包括:使用参数w13、w14计算得到两只手臂撞击地面的时刻t1和t2。
进一步地,所述主动顺应包括:在t1时刻控制左臂开始主动顺应,t2时刻控制右臂开始主动顺应,控制机器人的髋关节、膝关节、肘关节的扭矩分别以w7、w8和w9的参数作为速度开始变化,控制机器人的髋关节、膝关节、肘关节的角度分别以w10、w11和w12的参数作为速度开始变化。
进一步地,所述跌倒保护控制模型的训练过程包括:
将机器人传感器读数可能的数值范围平均划分成多个区间,每个区间都对应一组模型参数w,随机生成多组模型参数的初始值;
设计能够产生推力的仿真环境,在合理的推力范围内随机生成一个推力作用于机器人,机器人接收到传感器的信息并选择一组参数w作为控制模型的参数;
通过机器人传感器的信息计算得到机器人此次跌倒控制的评价cost(w);
对模型的参数w增加一个小的变动Δwi并计算cost(w+Δwi),然后计算cost(w)关于w的梯度;
调整w以使得cost(w)更小。
一种采用本发明方法的基于撞击预测和主动顺应的机器人跌倒保护系统,其包括:
跌倒检测模块,用于在机器人受到推力后进行跌倒检测,包括:读取传感器数值并判断其是否超过阈值,如果超过则调用跌倒保护模块进行跌倒保护,如果没超过则继续执行当前正在执行的任务;
跌倒保护模块,用于应用预先训练完成的跌倒保护控制模型计算得到机器人的运动控制参数;根据机器人的运动控制参数进行撞击预测,得到预测的机器人撞击地面的时刻;以及根据机器人的运动控制参数和预测的机器人撞击地面的时刻,对机器人进行主动顺应,实现机器人跌倒保护。
一种机器人,其包括上述基于撞击预测和主动顺应的机器人跌倒保护系统。
在对机器人的跌倒保护过程中,与现有技术相比,本发明的积极效果在于:
第一,针对可能受到变化推力的环境,提出一种基于撞击预测和主动顺应的跌倒保护方法。相比于传统的跌倒保护方法,通过学习的方式调节参数,增强了适应性。
第二,通过对机器人整个跌倒保护控制模型所包含的参数进行简化设计,有效减小了参数空间,更有利于选择合适的参数,从而增强跌倒控制方法的可迁移性,相比直接控制舵机的方法,参数空间从舵机的数量*舵机的控制参数*时间变成了14个参数。可以更快地在仿真和实体机器人中以及在不同机器人中成功迁移该方法。
第三,对机器人触地的时刻(撞击时刻)进行了预测,并依据预测结果提前执行主动顺应。相比触地后再执行主动顺应,减小了传感器延迟带来的干扰,更好地减小了冲击力。
附图说明
图1为机器人跌倒保护系统工作流程示意图;
图2为机器人跌倒保护模块具体组成示意图;
图3为机器人跌倒保护的运动过程示意图;
图4为机器人跌倒保护的模型训练过程性能变化示意图;
图5为机器人主动顺应控制参数训练过程变化示意图;其中(a)图为关节角度学习曲线,(b)图为关节扭矩学习曲线。
图6为实体机器人跌倒保护过程对比图;
图7为仿真机器人跌倒保护过程对比图。
具体实施方式:
下面结合附图和实施例对本发明作进一步详细描述,需要指出的是,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
如图1所示,机器人跌倒保护系统包括跌倒检测模块和跌倒保护模块。其中跌倒保护模块的具体组成如图2所示,跌倒保护的运动过程如图3所示。
本发明的机器人跌倒保护方法包括模型训练阶段和模型应用阶段:
模型训练阶段:
(1)设计机器人的传感器数值到运动控制参数的映射模型,称为跌倒保护控制模型,跌倒保护控制模型的输出中包含多个运动控制参数,使得模型具有预测撞击时刻的功能。
(2)运用强化学习的方法进行训练,求得跌倒保护控制模型的参数。
模型应用阶段:
(3)在机器人跌倒时应用训练完成的跌倒保护控制模型计算得到运动控制参数。
(4)根据机器人的运动控制参数进行撞击预测(预测机器人撞击地面的时刻)。
(5)根据机器人的运动控制参数和预测的机器人撞击地面的时刻进行主动顺应,从而实现机器人跌倒保护。
1.模型训练阶段
(1)仿人机器人在跌倒过程中的运动控制,可表示为各关节角度随时间的变化过程,形式化为下列公式:
c(ω,t)={J1(t),J2(t),…,JN(t)}
Ji(t)∈R,i∈[1,…,N],t∈[1,…,T]
其中,c表示机器人跌倒保护控制模型,N是关节数目,Ji(t)表示关节i在时刻t的角度,T表示运动总时长,ω表示控制参数。该机器人跌倒控制问题的目标,是寻找一组最优的关节运动轨迹。
机器人的跌倒保护控制模型,其输出的运动控制参数包含四部分:第一部分模型参数控制触地前身体的姿态(w1-6),其中w1表示机器人肩关节的俯仰角(pitch),w2表示机器人肩关节的翻滚角(roll),w3表示机器人肘关节的翻滚角(roll),其中w4表示机器人髋关节的俯仰角(pitch),w5表示机器人髋关节的翻滚角(roll),w6表示机器人膝关节的俯仰角(pitch);第二部分模型参数控制触地后关节的扭矩(w7-9),其中w7表示机器人髋关节的扭矩变化的速度,w8表示机器人膝关节的扭矩变化的速度,w9表示机器人肘关节的扭矩变化的速度;第三部分模型参数控制触地后关节的角度(w10-12),其中w10表示机器人髋关节的角度变化的速度,w11表示机器人膝关节的角度变化的速度,w12表示机器人肘关节的角度变化的速度;第四部分是用于计算开始主动顺应的时间的参数(w13-14)。其中左右手触地后主动顺应开始的时间分别为t1和t2,由下式计算得到:
t1=w13/*H-w14*θ
t2=w13/*H+w14*θ
其中,w13表示机器人质心高度对撞击地面时刻的影响的大小,w14表示机器人跌倒开始时质心移动方向与垂直地面方向的夹角对撞击地面时刻的影响的大小,H表示机器人质心高度,θ表示机器人跌倒开始时质心移动方向与垂直地面方向的夹角。
(2)为了提高跌倒控制策略的环境适应能力,将机器人传感器读数可能的数值范围平均划分成多个区间,每个区间都对应一组模型参数w(即参数w1~w14),因此需要随机生成多组模型参数的初始值;
(3)设计一个可以产生推力的仿真环境,在合理的推力范围内,随机生成一个推力作用于机器人,机器人接收到传感器的信息并根据加速度的数值选择一组参数w作为控制模型的参数。接下来通过机器人传感器的信息计算得到机器人此次跌倒控制的评价。其中评价的具体计算公式如下:
cost(w)=α*Amax+β*H+γ(Tmax-T0)
其中,cost表示对机器人在一次跌倒控制中的表现的评价,cost越大表示评价越差,w表示当前跌倒控制模型中的模型参数;Amax是重心加速度矢量和的最大值: Ax、Ay、Az分别是x、y、z方向的重心加速度;H是重心的高度;α,β和γ是折扣因子。为了抑制势能向动能的转化,机器人在跌倒过程应保持较高的重心,因此β为负值。Tmax是肘关节在撞击过程中受力最大值,T0是肘关节的最大受力安全阈值。若Tmax超过T0,肘关节舵机就会有损坏的危险。
在每一行中,第一列图像显示的是机器人躯干受到推力的时刻,第二列显示的是机器人向前迈出一步的时刻,而第三列显示的是机器人前臂与地面发生碰撞的时刻,最后一列显示跌倒过程完全结束的时刻(如图6和图7所示)。使用上一步中的cost(w)公式,在执行时对模型的参数w增加一个小的变动Δwi并计算cost(w+Δwi)。然后根据下面的公式计算cost(w)关于w的梯度:
接下来通过下面的公式调整w以使得cost(w)更小:
w=w-cost′(w)
训练过程中机器人跌倒保护的模型的性能(即cost(w),也即图4中的纵坐标“损失值”)是逐渐变好的,如图4所示。
另外,图5展示了主动顺应控制参数的学习曲线。图5中的(a)图显示随着学习过程的迭代,手臂的肘关节及迈步腿髋关节的主动转动角度逐渐增加,表明这些关节在撞击地面时刻的主动弯曲策略起到了保护效果。此外,迈步腿的膝关节的主动转动角度参数在学习过程中无收敛趋势,可能意味着其在跌倒过程中的作用不大。图5中的(b)图中,迈步脚的髋关节和膝关节扭力增速参数的在学习过程中无收敛趋势,仅手臂肘关节的扭力增速值逐渐下降并收敛到一个相对稳定的数值。分析该结果,肘关节在有较低扭力增速下,其扭力以较慢的速度增加,即需要较长的时间才能达到与地面作用力相同的数值,从而完成跌倒控制过程。这使得肘关节能在更长时间内吸收更多的能量。
2.模型应用阶段
训练完成之后的模型可用于任意推力下的跌倒保护。图6和图7分别展示了在实际环境与仿真环境中的实验结果,对比了有无撞击预测的区别。在每一行中,第一列图像显示的是机器人躯干受到推力的时刻,第二列显示的是机器人向前迈出一步的时刻,而第三列显示的是机器人前臂与地面发生碰撞的时刻,最后一列显示跌倒过程完全结束的时刻。从图中可以看出,在带预测的主动顺应的过程中可以看出机器人的手臂在接触地面时相比无预测的主动顺应方法有了更大的弯曲程度,这是由于机器人在预测即将发生碰撞时就进行了主动顺应。,因此证明了本专利方法的有效性。
下面结合图1、图2说明如何利用训练完成之后的模型进行任意推力下的跌倒保护:
1)如图1所示,机器人受到推力后,首先进行跌倒检测。跌倒检测是指对传感器数值进行读取。
2)判断传感器是否超过阈值:如果超过,则进行跌倒保护,如果没超过,则继续执行当前正在执行的任务。其中传感器包括加速度传感器、倾斜角度传感器等。
3)进行跌倒保护的过程如图2所示,具体包括以下步骤:
a)进行三角支撑:控制机器人的肩关节的俯仰角、肩关节的翻滚角和肘关节分别转动到w1、w2和w3参数代表的角度,机器人也因此完成向前伸臂动作。控制机器人的髋关节的俯仰角、髋关节的翻滚角和膝关节分别转动到w4、w5和w6参数代表的角度,机器人也因此完成向前迈步动作。
b)预测将撞击地面:使用参数w13-14和步骤(1)中的公式计算得到两只手臂撞击地面的时刻t1和t2。
c)进行主动顺应:在t1时刻控制左臂开始主动顺应,t2时刻控制右臂开始主动顺应,控制机器人的髋关节、膝关节、肘关节的扭矩分别以w7、w8和w9的参数作为速度开始变化,控制机器人的髋关节、膝关节、肘关节的角度分别以w10、w11和w12的参数作为速度开始变化。
本发明的其他实施例中,可以使用其他方法替代步骤(3)中的梯度计算公式,例如蒙特卡罗策略梯度。
本发明的其他实施例中,可以使用一个多层神经网络,其输入个数与传感器信息输入的个数相同,输出层的神经元个数与机器人的控制参数相同,使用该神经网络替代步骤(2)中将模型参数分为多组的方法。
本发明的另一实施例提供一种机器人,其包括本发明的基于撞击预测和主动顺应的机器人跌倒保护系统。即在该机器人中部署跌倒检测模块、跌倒保护模块,实现机器人的撞击预测和主动顺应,实现跌倒保护。
以上公开的本发明的具体实施例和附图,其目的在于帮助理解本发明的内容并据以实施,本领域的普通技术人员可以理解,在不脱离本发明的精神和范围内,各种替换、变化和修改都是可能的。本发明不应局限于本说明书的实施例和附图所公开的内容,本发明的保护范围以权利要求书界定的范围为准。
Claims (9)
1.一种基于撞击预测和主动顺应的机器人跌倒保护方法,其特征在于,包括以下步骤:
在机器人受到推力后,应用预先训练完成的跌倒保护控制模型计算得到机器人的运动控制参数;
根据机器人的运动控制参数进行撞击预测,得到预测的机器人撞击地面的时刻;
根据机器人的运动控制参数和预测的机器人撞击地面的时刻,对机器人进行主动顺应,实现机器人跌倒保护;
所述跌倒保护控制模型是传感器数值到运动控制参数的映射模型,所述运动控制参数包括四部分:
第一部分参数为w1~w6,用于控制触地前身体的姿态,其中w1表示机器人肩关节的俯仰角,w2表示机器人肩关节的翻滚角,w3表示机器人肘关节的翻滚角,w4表示机器人髋关节的俯仰角,w5表示机器人髋关节的翻滚角,w6表示机器人膝关节的俯仰角;
第二部分参数为w7~w9,用于控制触地后关节的扭矩,其中w7表示机器人髋关节的扭矩变化的速度,w8表示机器人膝关节的扭矩变化的速度,w9表示机器人肘关节的扭矩变化的速度;
第三部分参数为w10~w12,用于控制触地后关节的角度,其中w10表示机器人髋关节的角度变化的速度,w11表示机器人膝关节的角度变化的速度,w12表示机器人肘关节的角度变化的速度;
第四部分参数为w13、w14,用于计算开始主动顺应的时间,其中左右手触地后主动顺应开始的时间分别为t1和t2,由下式计算得到:
t1=w13/*H-w14*θ
t2=w13/*H+w14*θ
其中,w13表示机器人质心高度对撞击地面时刻的影响的大小,w14表示机器人跌倒开始时质心移动方向与垂直地面方向的夹角对撞击地面时刻的影响的大小,H表示机器人质心高度,θ表示机器人跌倒开始时质心移动方向与垂直地面方向的夹角。
2.根据权利要求1所述的方法,其特征在于,在机器人受到推力后,首先进行跌倒检测,包括:读取传感器数值并判断其是否超过阈值,如果超过则进行跌倒保护,如果没超过则继续执行当前正在执行的任务。
3.根据权利要求1所述的方法,其特征在于,在进行所述撞击预测之前,对机器人进行三角支撑,包括:
控制机器人的肩关节的俯仰角、肩关节的翻滚角和肘关节分别转动到w1、w2和w3参数代表的角度,机器人因此完成向前伸臂动作;
控制机器人的髋关节的俯仰角、髋关节的翻滚角和膝关节分别转动到w4、w5和w6参数代表的角度,机器人因此完成向前迈步动作。
4.根据权利要求1或3所述的方法,其特征在于,所述撞击预测包括:使用参数w13、w14计算得到两只手臂撞击地面的时刻t1和t2。
5.根据权利要求4所述的方法,其特征在于,所述主动顺应包括:在t1时刻控制左臂开始主动顺应,t2时刻控制右臂开始主动顺应,控制机器人的髋关节、膝关节、肘关节的扭矩分别以w7、w8和w9的参数作为速度开始变化,控制机器人的髋关节、膝关节、肘关节的角度分别以w10、w11和w12的参数作为速度开始变化。
6.根据权利要求1所述的方法,其特征在于,所述跌倒保护控制模型的训练过程包括:
将机器人传感器读数可能的数值范围平均划分成多个区间,每个区间都对应一组模型参数w,随机生成多组模型参数的初始值;
设计能够产生推力的仿真环境,在合理的推力范围内随机生成一个推力作用于机器人,机器人接收到传感器的信息并选择一组参数w作为控制模型的参数;
通过机器人传感器的信息计算得到机器人此次跌倒控制的评价cost(w);
对模型的参数w增加一个小的变动Δwi并计算cost(w+Δwi),然后计算cost(w)关于w的梯度;
调整w以使得cost(w)更小。
8.一种采用权利要求1~7中任一权利要求所述方法的基于撞击预测和主动顺应的机器人跌倒保护系统,其特征在于,包括:
跌倒检测模块,用于在机器人受到推力后进行跌倒检测,包括:读取传感器数值并判断其是否超过阈值,如果超过则调用跌倒保护模块进行跌倒保护,如果没超过则继续执行当前正在执行的任务;
跌倒保护模块,用于应用预先训练完成的跌倒保护控制模型计算得到机器人的运动控制参数;根据机器人的运动控制参数进行撞击预测,得到预测的机器人撞击地面的时刻;以及根据机器人的运动控制参数和预测的机器人撞击地面的时刻,对机器人进行主动顺应,实现机器人跌倒保护。
9.一种机器人,其特征在于,包括权利要求8所述的基于撞击预测和主动顺应的机器人跌倒保护系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010670711.5A CN112025698B (zh) | 2020-07-13 | 2020-07-13 | 一种基于撞击预测和主动顺应的机器人跌倒保护方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010670711.5A CN112025698B (zh) | 2020-07-13 | 2020-07-13 | 一种基于撞击预测和主动顺应的机器人跌倒保护方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112025698A CN112025698A (zh) | 2020-12-04 |
CN112025698B true CN112025698B (zh) | 2021-11-23 |
Family
ID=73579515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010670711.5A Active CN112025698B (zh) | 2020-07-13 | 2020-07-13 | 一种基于撞击预测和主动顺应的机器人跌倒保护方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112025698B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112873167B (zh) * | 2021-01-27 | 2021-10-15 | 深圳玖伍微联信息技术有限公司 | 机器人防跌倒装置 |
CN113146621B (zh) * | 2021-03-17 | 2022-07-15 | 深圳市优必选科技股份有限公司 | 机器人控制方法、装置、机器人及计算机可读存储介质 |
CN113858207B (zh) * | 2021-10-27 | 2023-06-09 | 乐聚(深圳)机器人技术有限公司 | 人形机器人的倒地控制方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003094358A (ja) * | 2001-09-26 | 2003-04-03 | Japan Science & Technology Corp | 二脚歩行式人型ロボット |
EP1393867A1 (en) * | 2001-06-07 | 2004-03-03 | Japan Science and Technology Corporation | Two-leg walking humanoid robot |
KR20100064654A (ko) * | 2008-12-05 | 2010-06-15 | 삼성전자주식회사 | 로봇 팔 및 그 제어방법 |
CN104932254A (zh) * | 2015-05-12 | 2015-09-23 | 北京理工大学 | 一种仿人机器人的前摔保护控制策略 |
CN109866218A (zh) * | 2017-12-01 | 2019-06-11 | 优必选教育(深圳)有限公司 | 机器人摔倒站立控制方法及装置 |
CN110405769A (zh) * | 2019-08-05 | 2019-11-05 | 北京理工大学 | 一种启发式仿人机器人摔倒保护方法 |
-
2020
- 2020-07-13 CN CN202010670711.5A patent/CN112025698B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1393867A1 (en) * | 2001-06-07 | 2004-03-03 | Japan Science and Technology Corporation | Two-leg walking humanoid robot |
JP2003094358A (ja) * | 2001-09-26 | 2003-04-03 | Japan Science & Technology Corp | 二脚歩行式人型ロボット |
KR20100064654A (ko) * | 2008-12-05 | 2010-06-15 | 삼성전자주식회사 | 로봇 팔 및 그 제어방법 |
CN104932254A (zh) * | 2015-05-12 | 2015-09-23 | 北京理工大学 | 一种仿人机器人的前摔保护控制策略 |
CN109866218A (zh) * | 2017-12-01 | 2019-06-11 | 优必选教育(深圳)有限公司 | 机器人摔倒站立控制方法及装置 |
CN110405769A (zh) * | 2019-08-05 | 2019-11-05 | 北京理工大学 | 一种启发式仿人机器人摔倒保护方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112025698A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112025698B (zh) | 一种基于撞击预测和主动顺应的机器人跌倒保护方法及系统 | |
US8958909B2 (en) | Walking robot and control method thereof | |
Sakka et al. | Humanoid vertical jumping based on force feedback and inertial forces optimization | |
Sintov et al. | Dynamic regrasping by in-hand orienting of grasped objects using non-dexterous robotic grippers | |
Zheng et al. | Humanoid robots walking on grass, sands and rocks | |
Abe | An effective trajectory planning method for simultaneously suppressing residual vibration and energy consumption of flexible structures | |
Serra et al. | An optimal trajectory planner for a robotic batting task: the table tennis example | |
CN113568422B (zh) | 基于模型预测控制优化强化学习的四足机器人控制方法 | |
Zhang et al. | Physics-driven locomotion planning method for a planar closed-loop terrain-adaptive robot | |
Tan et al. | Adaptive controller for motion control of an omni-directional walker | |
Goswami et al. | Planar bipedal jumping gaits with stable landing | |
Yedeg et al. | State constrained optimal control of a ball pitching robot | |
Poggensee et al. | Ball juggling on the bipedal robot cassie | |
Chen et al. | A strategy for push recovery in quadruped robot based on reinforcement learning | |
Luo et al. | Biped robot falling motion control with human-inspired active compliance | |
Kang et al. | Bio-inspired crawling locomotion of a multi-arm octopus-like continuum system | |
Xie et al. | Online whole-stage gait planning method for biped robots based on improved Variable Spring-Loaded Inverted Pendulum with Finite-sized Foot (VSLIP-FF) model | |
Huan et al. | Novel stable walking for humanoid robot using particle swarm optimization algorithm | |
Tan et al. | Path tracking control considering center of gravity shift and load change for an omni-directional walker | |
Yan et al. | A fast and smooth walking pattern generator of biped robot using Jacobian inverse kinematics | |
Choi et al. | Impact based trajectory planning of a soccer ball in a kicking robot | |
Vaghei et al. | Actor-critic neural network reinforcement learning for walking control of a 5-link bipedal robot | |
Wang et al. | Human motion prediction based on hybrid motion model | |
Namiki et al. | The analysis of high-speed catching with a multifingered robot hand | |
Xie et al. | Compliant gait control method based on CVSLIP-FF model for biped robot walking over uneven terrain |
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 |