CN113311724B - 一种面向机器人ai算法训练的仿真系统 - Google Patents

Abstract

本发明公开了一种面向机器人AI算法训练的仿真系统，AI算法包括机器人运动控制算法和机器人导航算法，面向机器人AI算法训练的仿真系统包括算法训练仿真平台、数据资源库、计算中心、机器人真实运行环境，算法训练仿真平台包括场景管理模块、模型管理模块、算法管理模块和仿真模拟模块。本发明可有效提高仿真通用性，客观性和执行效率。

Description

一种面向机器人AI算法训练的仿真系统

技术领域

本申请属于机器人仿真训练领域，具体涉及一种面向机器人AI算法训练的仿真系统。

背景技术

仿真技术是机器人研究领域中的一个重要部分。随着机器人研究的不断深入和机器人领域的不断发展，机器人仿真系统作为机器人设计和研究过程中安全可靠、灵活方便的工具，发挥着越来越重要的作用。通过仿真试验来研究机器人的各种性能和特点，已经是机器人理论研究必备方法之一。同时，仿真试验结果也为制造机器人提供了有效的参考依据。机器人仿真系统对理论和实践的价值、意义及作用都是显而易见的。但是在机器人研究过程中通常存在以下问题：例如：

1)缺乏基于算法训练的机器人场景创建流程，导致场景创建过程复杂且执行效率较低；

2)不同仿真平台使用的数据结构具有差异性，存在不同平台数据迁移兼容性问题；

3)缺乏算法的评估测试体系，无法对算法的执行效率进行客观评估。

发明内容

本申请的目的在于提供一种面向机器人AI算法训练的仿真系统，提高仿真通用性，客观性和执行效率。

为实现上述目的，本申请所采取的技术方案为：

一种面向机器人AI算法训练的仿真系统，所述机器人AI算法包括机器人运动控制算法和机器人导航算法，所述面向机器人AI算法训练的仿真系统包括算法训练仿真平台、数据资源库、计算中心、机器人真实运行环境，所述算法训练仿真平台包括场景管理模块、模型管理模块、算法管理模块和仿真模拟模块，其中：

所述算法训练仿真平台的模型管理模块，用于从数据资源库导入机器人模型、静态物体模型的模型数据，将模型数据转化为指定格式的模型数据结构，并基于机器人模型的模型数据结构中的运动约束条件对机器人模型进行运动检测，根据运动检测结果确定机器人模型的异常运动节点进行展示；

所述算法训练仿真平台的算法管理模块，用于从数据资源库导入机器人运动控制算法或/和机器人导航算法，并在仿真时和仿真后对机器人运动控制算法或/和机器人导航算法的运行效率进行评估；

所述算法训练仿真平台的场景管理模块，用于构建仿真时的场景，并建立关系树形结构，所述关系树形结构中以场景为根节点，以当前机器人模型正在执行的任务为根节点的子节点，以机器人模型、机器人运动控制算法或/和机器人导航算法为子节点的叶子节点；

所述算法训练仿真平台的仿真模拟模块，加载模型管理模块导入的机器人模型、静态物体模型，算法管理模块导入的机器人运动控制算法或/和机器人导航算法，以及场景管理模块建立的树形结构在场景中进行仿真运行，监测并记录仿真时产生的当前机器人模型正在执行的任务的状态、机器人运动控制算法或/和机器人导航算法实时产生的机器人模型的运行参数、机器人模型各运动节点的运行状态；

所述计算中心，用于在仿真后将算法训练仿真平台经过验证的机器人运动控制算法或/和机器人导航算法、机器人运动控制算法或/和机器人导航算法实时产生的机器人模型的运行参数、机器人模型对应的运动约束条件下发到机器人真实运行环境；

所述机器人真实运行环境，用于接收计算中心下发的机器人运动控制算法或/和机器人导航算法、机器人运动控制算法或/和机器人导航算法实时产生的机器人模型的运行参数、机器人模型对应的运动约束条件，根据接收的算法和参数控制机器人运动，并采集机器人的运动数据。

以下还提供了若干可选方式，但并不作为对上述总体方案的额外限定，仅仅是进一步的增补或优选，在没有技术或逻辑矛盾的前提下，各可选方式可单独针对上述总体方案进行组合，还可以是多个可选方式之间进行组合。

作为优选，所述将模型数据转化为指定格式的模型数据结构，包括：

将.obj、.stl格式的模型数据转化为以SDF为标准的模型数据结构，或者将.stl格式的模型数据转化为以URDF为标准的模型数据结构；

采用模型树形结构表示以SDF或URDF为标准的模型数据结构，模型树形结构中包含可视化节点和/或运动节点，所述可视化节点用于表述模型的坐标点信息、材质信息和组件外观信息，所述运动节点用于表述模型各个运动节点的运动约束条件。

作为优选，所述基于机器人模型的模型数据结构中的运动约束条件对机器人模型进行运动检测，根据运动检测结果确定机器人模型的异常运动节点，包括：

根据机器人模型的模型数据结构中的运动约束条件基于ammo.js物理引擎对机器人模型进行运动检测，检测机器人模型的各运动节点是否超出合理范围得到运动检测结果；

获取运动检测结果，若运动检测结果中不存在超出隔离范围的运动节点，则机器人模型对应的运动约束条件正常；否则确定超出隔离范围的运动节点为异常运动节点，并可视化展示异常运动节点以及运动约束条件中与异常运动节点对应的条件数值。

作为优选，所述模型管理模块采用HTTP异步传输模式从数据资源库导入机器人模型、静态物体模型的模型数据；

导入的机器人模型、静态物体模型的模型数据存储在模型管理模块预先构建模型缓存池中，并且静态物体模型采用一次导入多次使用的形式，即只从数据资源库获取一次静态物体模型的模型数据，加载时从模型缓存池中读取模型数据；机器人模型采用一次导入多次更新状态的形式，即只从数据资源库获取一次机器人模型的模型数据，后续通过主动订阅与被动接收的方式获取机器人模型各运动节点的运行状态来更新模型数据。

作为优选，所述在仿真时和仿真后对机器人运动控制算法或/和机器人导航算法的运行效率进行评估，包括：

设定仿真时的评估指标包括：任务平均成功率、任务平均完成时间，以及训练过程中的局数；仿真后的评估指标包括：泛化能力、成功率、资源消耗率、健壮性、稳定性；

在仿真时，实时获取当前机器人模型正在执行的任务的状态计算仿真时的各评估指标的评估值；在仿真后，接收测评人员输入的仿真后的各评估指标的评估值；

将仿真时的各评估指标的评估值累加后乘以第一权重作为仿真时总评估值，将仿真后的各评估指标的评估值累加后乘以第二权重作为仿真后总评估值；

将仿真时总评估值和仿真后总评估值相加作为算法运行效率的最终评估值。

作为优选，所述关系树形结构中，同一个机器人模型上绑定一个或多个算法，且一个当前机器人模型正在执行的任务中绑定一个或多个机器人模型。

本申请提供的面向机器人AI算法训练的仿真系统，通过建立以具体任务为基础、模型和算法为一体的场景，形成模型、算法、场景的关联关系，通过在场景中进行模拟从而发现设计缺陷并进行修复，达到解决机器人算法训练场景创建效率较低的问题。建立标准化的模型结构检查机制及早发现模型创建过程中出现的问题，从而提升模型在算法训练过程中的执行效率并能解决不同平台数据兼容性问题。通过建立算法评估体系，通过收集算法在运行时与运行后的评估指标从而发现算法在设计、执行、资源管理方面的缺陷，从而帮助算法使用人员优化算法结构，提升算法使用效能。

附图说明

图1为本申请的面向机器人AI算法训练的仿真系统的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。

其中一个实施例中，提供一种面向机器人AI算法训练的仿真系统，由于本实施例的仿真系统面向机器人，因此所涉及的机器人AI算法包括机器人运动控制算法和机器人导航算法这两种。其中机器人运动控制算法用于控制机器人产生相应动作，例如Bug1算法、Bug2算法或Tangent Bug算法等，而机器人导航算法用于为机器人移动进行导航，例如POMDP算法、A*算法等。

容易理解的是，本实施例在于对算法进行仿真训练，不对具体类型的机器人运动控制算法和机器人导航算法进行限制，所需训练的算法根据机器人模型的实际需求进行设定。

如图1所示，本实施例中，面向机器人AI算法训练的仿真系统包括算法训练仿真平台、数据资源库、计算中心、机器人真实运行环境。其中算法训练仿真平台的职责在于统筹模型、算法资源并建立算法、模型的模拟运行环境。而数据资源库的主要职责就是存储算法训练仿真平台的数据，包括数据集(存储如算法)、模型库(存储如模型)、配置库(存储如图形算法库文件)等。计算中心的职责就是实现仿真平台与真实运行环境之间的数据同步。真实环境则是生产机器人(如无人机、机械臂、无人车等设备，本实施例中对机器人不进行具体限制)的运行数据。通过以上各组成部分的协调工作达到提升机器人算法研究效率，降低设备与时间成本的目标。

并且本实施例中算法训练仿真平台包括场景管理模块、模型管理模块、算法管理模块和仿真模拟模块。算法训练仿真平台中的各模块具有独立又具有关联的作用，通过相互配合完成算法训练仿真平台的仿真工作。

1)算法训练仿真平台。

具有能够兼容不同格式的模型数据，且能仿真模拟由算法、模型组成的业务场景任务，可以根据时间刻度标记的仿真数据对模拟过程进行回放，并能通过通信数据链同步真实环境与模拟环境产生的数据，并能将算法迁移到真实机器人环境中的能力。

11)算法训练仿真平台的模型管理模块。

将不同格式的模型数据转化为标准化的模型数据结构，并且在转化的过程中对数据的组织形式进行展现、测试操作。通过以上操作发现模型的设计缺陷。其中对模型数据格式的转化主要指以SDF、URDF格式为基础的模型数据都可直接导入此系统并进行展现，对于非以上格式的模型数据也能够进行相应的转换操作。

其中模型管理模块从数据资源库导入机器人模型、静态物体模型的模型数据，将模型数据转化为指定格式的模型数据结构。在另一个实施例中，为了降低系统数据处理压力，设置仅针对.obj、.stl、.stl格式的模型数据进行转换操作，且将.obj、.stl格式的模型数据转化为以SDF为标准的模型数据结构，或者将.stl 格式的模型数据转化为以URDF为标准的模型数据结构。在其他实施例中，为了进一步提高系统通用性，还可以增加针对其他格式的模型数据进行转换操作。

并且为了直观展示模型数据结构或便于模型数据结构的分析取用，本实施例中采用模型树形结构表示以SDF或URDF为标准的模型数据结构，模型树形结构中包含可视化节点和/或运动节点，所述可视化节点用于表述模型的坐标点信息、材质信息和组件外观信息，所述运动节点用于表述模型各个运动节点的运动约束条件。

并且模型树形结构中的根节点为XML标签，以标签队形式展示，其中的可视化节点和/或运动节点为并行节点。针对机器人模型的模型树形结构中包含可视化节点和运动节点，静态物体模型的模型树形结构中仅包含可视化节点。

模型管理模块在对模型的展现、测试操作中，主要基于机器人模型的模型数据结构中的运动约束条件对机器人模型进行运动检测，根据运动检测结果确定机器人模型的异常运动节点进行展示。

对模型的异常运动节点进行展示后，设计人员可以根据展示的内容发现模型创建过程中出现的问题，从而提升模型在算法训练过程中的执行效率。

在一个实施例中，基于现有的运动引擎对模型进行测试，具体为根据机器人模型的模型数据结构中的运动约束条件基于ammo.js物理引擎对机器人模型进行运动检测，检测机器人模型的各运动节点是否超出合理范围得到运动检测结果；获取运动检测结果，若运动检测结果中不存在超出隔离范围的运动节点，则机器人模型对应的运动约束条件正常；否则确定超出隔离范围的运动节点为异常运动节点，并可视化展示异常运动节点以及运动约束条件中与异常运动节点对应的条件数值。

其中运动节点的合理范围为设计人员预设的一个范围数值，例如设计该机器人的转速不大于A，而通过物理引擎进行运动检测后发现该机器人的转速可达B(B>A)，则表示该运动节点超出合理范围，即数据模型中的对应该运动节点设置的条件数据存在错误，从而及时提醒设计人员对模型数据进行相应更改。

并且在运动检测过程中，将每一执行步骤、过程及结果等信息记录在日志文件中，并导出作为模型优化记录文件，便于跟踪模型优化过程。

在模型管理模块和数据资源库的数据交互中，模型管理模块采用HTTP异步传输模式从数据资源库导入机器人模型、静态物体模型的模型数据，以保证数据传输的效率。在其他实施例中还可以采用其他传输方式，例如同步传输等。

并且为了避免占用过多的数据传输资源，导入的机器人模型、静态物体模型的模型数据存储在模型管理模块预先构建模型缓存池中，并且静态物体模型采用一次导入多次使用的形式，即只从数据资源库获取一次静态物体模型的模型数据，加载时从模型缓存池中读取模型数据；机器人模型采用一次导入多次更新状态的形式，即只从数据资源库获取一次机器人模型的模型数据，后续通过主动订阅与被动接收的方式获取机器人模型各运动节点的运行状态来更新模型数据。

12)算法训练仿真平台的算法管理模块。

从数据资源库导入机器人运动控制算法或/和机器人导航算法，并在仿真时和仿真后对机器人运动控制算法或/和机器人导航算法的运行效率进行评估。在算法管理模块从数据资源库导入算法时，也可以采用HTTP异步传输模式。并且具体仅导入机器人运动控制算法，或者仅导入机器人导航算法，还是同时导入机器人运动控制算法和机器人导航算法根据当前使用的机器人模型而定。例如机器人为机械臂则仅导入机器人运动控制算法即可，若机器人为机械臂和无人车的组合，则需要同时导入机器人运动控制算法和机器人导航算法。

算法管理模块对训练算法的运行效率的评估便于直观反映算法的优劣，有利于算法的提升改进。

在一个实施例中，首先设定仿真时的评估指标包括：任务平均成功率、任务平均完成时间，以及训练过程中的局数。仿真后的评估指标包括：泛化能力、成功率、资源消耗率、健壮性、稳定性。

其中，任务平均成功率：表示在执行训练任务时完成任务目标的概率。任务平均完成时间：表示在完成训练任务时所用的时长，如果所用时长越短说明任务执行效率越高。局数：表示任务训练的回合数，如果局数随成功率增加而增大则说明还需要更多的训练局数。成功率与局数变化曲线，有助于分析训练是否充分。

通过以上运行时和运行后的指标来综合评估算法的运行效率、泛化能力、成功率、资源消耗率、健壮性、稳定性等，并生成如下雷达图表述算法综合评价指标。

在确定相应的评估指标后，即可根据仿真进行算法运动效率的评估，具体包含以下步骤：

在仿真时，实时获取当前机器人模型正在执行的任务的状态计算仿真时的各评估指标的评估值；在仿真后，接收测评人员输入的仿真后的各评估指标的评估值；将仿真时的各评估指标的评估值累加后乘以第一权重作为仿真时总评估值，将仿真后的各评估指标的评估值累加后乘以第二权重作为仿真后总评估值；将仿真时总评估值和仿真后总评估值相加作为算法运行效率的最终评估值。

仿真后的各项评估指标的评估值有测评人员直接根据仿真时的任务的状态、算法实时产生的机器人模型的运行参数、机器人模型各运动节点的运行状态直接打分输入即可，若存在多个测评人员则在将所有打分值进行累加后除以测评人员后再乘以第二权重，以合理加入客观评价。

以上仿真时和仿真后的权重值可人为进行预设(例如通过算法管理模块中的设定页面进行设置)，通过不同权重值的设定可以合理分配主观(仿真时的评估)和客观评价(仿真后的评估)，从而得到较为合理的训练结果。例如可以设置第一权重为60％，第二权重为40％。

本实施例中仿真时的评估指标在每个任务结束后进行一次计算，并在仿真结束后将每次计算的评估指标进行累加，累加值乘以第一权重作为仿真时总评估值。例如整个仿真过程有3个任务，每个任务结束后都计算一次任务平均成功率、任务平均完成时间、局数，在整个仿真全部结束后，将3*3＝9个评估值累加后乘以第一权重作为仿真时产生的总评估值，以客观反映算法的运行情况。

并且本实施例还可以根据最终评估值提供大致的优化建议，例如评估值为 0～100，则在低于50时提醒对算法进行设计方向优化，在高于50时提醒对算法进行细节优化，或者根据实际设定输出相应的优化建议。

13)算法训练仿真平台的场景管理模块。

场景管理模块用于构建仿真时的场景，并建立关系树形结构，所述关系树形结构中以场景为根节点，以当前机器人模型正在执行的任务为根节点的子节点，以机器人模型、机器人运动控制算法或/和机器人导航算法为子节点的叶子节点。

在建立关系树形结构时根据预设的模型、任务和算法的关系进行构建，本实施例中设置同一个机器人模型上绑定一个或多个算法(多个算法中每个算法属于不同类的算法，例如分别为机器人运动控制算法和机器人导航算法)，且一个当前机器人模型正在执行的任务中绑定一个或多个机器人模型。

在场景中算法、模型、任务设置有不同的标签，其中算法的标签包括运行环境、输入参数、输出参数、退出条件；模型的标签包括模型类型、各运动节点的相对位置、运动约束条件、材质信息；任务的标签包括任务时间、初始化参数、运行结果、执行步骤、评价标准。

本实施例中模型与算法是一对多的关系，在同一个模型之上可以绑定多个执行不同任务的算法。算法在运行的过程中将会读取模型标签文件中运动约束条件、各运动节点的相对位置、材质信息。通过读入的各运动节点的相对位置可以控制模型完成特定的任务(如前进、后退、旋转、拾取、放下等操作)。再根据运动约束条件判断退出条件是否满足，并在发生错误时及时终止运行并进行提示。而材质信息有助于在模型的不同运动状态下呈现不同的视觉效果。

而任务与模型是一对多的关系，在一个任务中可以包含多种模型，且模型的类型可分为静态和动态两种。静态模型如桌子、椅子等，动态模型如无人机、机器狗、机械臂等。在任务执行过程中将会在每一个步骤中记录任务的完成度，并在任务执行完成之后生成任务的状态，之后将上述值作为算法评估模块的输入参数获得算法评估值。

建立算法、模型、任务的相关关系后即得到完整的仿真场景，同时还可以设置场景属性，如光照、范围、背景色、网格等信息。以及任务信息，如任务时间、初始化参数、运行结果、执行步骤、评价标准等信息。并且创建的完整场景提供预览、查看操作。

14)算法训练仿真平台的仿真模拟模块。

本实施例中的仿真模拟模块加载模型管理模块导入的机器人模型、静态物体模型，算法管理模块导入的机器人运动控制算法或/和机器人导航算法，以及场景管理模块建立的树形结构在场景中进行仿真运行，监测并记录仿真时产生的当前机器人模型正在执行的任务的状态、机器人运动控制算法或/和机器人导航算法实时产生的机器人模型的运行参数、机器人模型各运动节点的运行状态。

这里机器人运动控制算法或/和机器人导航算法实时产生的机器人模型的运行参数为算法根据当前环境任务产生的用于控制机器人模型运动的运行参数，作为机器人模型运动的输入参数，例如转向角度、速度等。而正在执行的任务的状态包含了状态位、时间戳和耗时时长信息，其中状态位为成功、失败、开始、结束、进行中等其中的一个。在本实施例中任务的状态和模型的运行参数根据状态的变化和运行参数的生成更改记录在日志文件中，而模型各运动节点的运行状态有时间轴工具抓取。

在检测并记录相应数据时，基于threejs三维引擎创建三维模型运行时间轴工具抓取模型仿真过程中产生的数据，并在仿真完成后生成以时间为标签的机器人模型各运动节点的运行状态，并且这里的运行状态中包含模型的运行轨迹信息、运动节点执行次数、运动节点运行时间。

时间轴工具的主要功能即是管理仿真模拟过程中产生的数据，并在模拟完成之后可以根据记录的数据将仿真过程进行回放、导出为视频格式等功能。其实现方式是使用键值对格式的文件为载体，在录制完成之后生成以时间为标签的缓存文件，其缓存文件主要包含模型的运行轨迹信息、运动节点执行次数、运动节点运行时间。在录制的过程中此工具可以同步抓取屏幕信息生成视频格式文件并保存。

当仿真结束之后将会生成运行状态报告，运行状态报告中将会包含算法的最终评估值、算法优化建议信息、机器人模型各运动节点的运行状态、模型优化记录文件。

其中算法的最终评估值可以通过算法管理模块进行展示，并可以在调试功能中以优化建议的形式显示。而机器人模型各运动节点的运行状态可以通过模型管理模块进行展示，以便于设计人员能够根据此运行状态推断相关部件的运行参数是否合理，以此帮助对模型的结构进行升级优化。

2)计算中心，用于在仿真后将算法训练仿真平台经过验证的机器人运动控制算法或/和机器人导航算法、机器人运动控制算法或/和机器人导航算法实时产生的机器人模型的运行参数、机器人模型对应的运动约束条件下发到机器人真实运行环境。

在另一个实施例中，根据需要计算中心还用于将帮助机器人进行图形图像识别和分析的算法库文件(即图形算法库文件)下发到机器人真实运行环境。其中图形算法库文件为预先导入在数据资源库中，用于供仿真使用。本实施例中使用的图像算法库文件为现有的文件，根据仿真环境而定，这里不进行赘述。

3)机器人真实运行环境，用于接收计算中心下发的机器人运动控制算法或 /和机器人导航算法、机器人运动控制算法或/和机器人导航算法实时产生的机器人模型的运行参数、机器人模型对应的运动约束条件，根据接收的算法和参数控制机器人运动，并采集机器人的运动数据。

在机器人真实运行环境中，控制机器人根据接收的算法和文件参数进行相应运动，并采集机器人的运动数据，用于根据运动数据观察机器人的运行状态。机器人真实运行环境以实际机器人的运行状态来反应仿真环境中经过验证的算法和参数是否符合实际应用，既能够对仿真环境产生反馈，又可得到经过验证的算法和参数，降低采用真实机器人进行验证的投入成本。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种面向机器人AI算法训练的仿真系统，所述机器人AI算法包括机器人运动控制算法和机器人导航算法，其特征在于，所述面向机器人AI算法训练的仿真系统包括算法训练仿真平台、数据资源库、计算中心、机器人真实运行环境，所述算法训练仿真平台包括场景管理模块、模型管理模块、算法管理模块和仿真模拟模块，其中：

所述算法训练仿真平台的模型管理模块，用于从数据资源库导入机器人模型、静态物体模型的模型数据，将模型数据转化为指定格式的模型数据结构，并基于机器人模型的模型数据结构中的运动约束条件对机器人模型进行运动检测，根据运动检测结果确定机器人模型的异常运动节点进行展示；

所述算法训练仿真平台的算法管理模块，用于从数据资源库导入机器人运动控制算法或/和机器人导航算法，并在仿真时和仿真后对机器人运动控制算法或/和机器人导航算法的运行效率进行评估；

所述算法训练仿真平台的场景管理模块，用于构建仿真时的场景，并建立关系树形结构，所述关系树形结构中以场景为根节点，以当前机器人模型正在执行的任务为根节点的子节点，以机器人模型、机器人运动控制算法或/和机器人导航算法为子节点的叶子节点；

所述算法训练仿真平台的仿真模拟模块，加载模型管理模块导入的机器人模型、静态物体模型，算法管理模块导入的机器人运动控制算法或/和机器人导航算法，以及场景管理模块建立的树形结构在场景中进行仿真运行，监测并记录仿真时产生的当前机器人模型正在执行的任务的状态、机器人运动控制算法或/和机器人导航算法实时产生的机器人模型的运行参数、机器人模型各运动节点的运行状态；

所述计算中心，用于在仿真后将算法训练仿真平台经过验证的机器人运动控制算法或/和机器人导航算法、机器人运动控制算法或/和机器人导航算法实时产生的机器人模型的运行参数、机器人模型对应的运动约束条件下发到机器人真实运行环境；

所述机器人真实运行环境，用于接收计算中心下发的机器人运动控制算法或/和机器人导航算法、机器人运动控制算法或/和机器人导航算法实时产生的机器人模型的运行参数、机器人模型对应的运动约束条件，根据接收的算法和参数控制机器人运动，并采集机器人的运动数据。

2.如权利要求1所述的面向机器人AI算法训练的仿真系统，其特征在于，所述将模型数据转化为指定格式的模型数据结构，包括：

将.obj、.stl格式的模型数据转化为以SDF为标准的模型数据结构，或者将.stl格式的模型数据转化为以URDF为标准的模型数据结构；

采用模型树形结构表示以SDF或URDF为标准的模型数据结构，模型树形结构中包含可视化节点和/或运动节点，所述可视化节点用于表述模型的坐标点信息、材质信息和组件外观信息，所述运动节点用于表述模型各个运动节点的运动约束条件。

3.如权利要求1所述的面向机器人AI算法训练的仿真系统，其特征在于，所述基于机器人模型的模型数据结构中的运动约束条件对机器人模型进行运动检测，根据运动检测结果确定机器人模型的异常运动节点，包括：

根据机器人模型的模型数据结构中的运动约束条件基于ammo.js物理引擎对机器人模型进行运动检测，检测机器人模型的各运动节点是否超出合理范围得到运动检测结果；

获取运动检测结果，若运动检测结果中不存在超出隔离范围的运动节点，则机器人模型对应的运动约束条件正常；否则确定超出隔离范围的运动节点为异常运动节点，并可视化展示异常运动节点以及运动约束条件中与异常运动节点对应的条件数值。

4.如权利要求1所述的面向机器人AI算法训练的仿真系统，其特征在于，所述模型管理模块采用HTTP异步传输模式从数据资源库导入机器人模型、静态物体模型的模型数据；

导入的机器人模型、静态物体模型的模型数据存储在模型管理模块预先构建模型缓存池中，并且静态物体模型采用一次导入多次使用的形式，即只从数据资源库获取一次静态物体模型的模型数据，加载时从模型缓存池中读取模型数据；机器人模型采用一次导入多次更新状态的形式，即只从数据资源库获取一次机器人模型的模型数据，后续通过主动订阅与被动接收的方式获取机器人模型各运动节点的运行状态来更新模型数据。

5.如权利要求1所述的面向机器人AI算法训练的仿真系统，其特征在于，所述在仿真时和仿真后对机器人运动控制算法或/和机器人导航算法的运行效率进行评估，包括：

设定仿真时的评估指标包括：任务平均成功率、任务平均完成时间，以及训练过程中的局数；仿真后的评估指标包括：泛化能力、成功率、资源消耗率、健壮性、稳定性；

在仿真时，实时获取当前机器人模型正在执行的任务的状态计算仿真时的各评估指标的评估值；在仿真后，接收测评人员输入的仿真后的各评估指标的评估值；

将仿真时的各评估指标的评估值累加后乘以第一权重作为仿真时总评估值，将仿真后的各评估指标的评估值累加后乘以第二权重作为仿真后总评估值；

将仿真时总评估值和仿真后总评估值相加作为算法运行效率的最终评估值。

6.如权利要求1所述的面向机器人AI算法训练的仿真系统，其特征在于，所述关系树形结构中，同一个机器人模型上绑定一个或多个算法，且一个当前机器人模型正在执行的任务中绑定一个或多个机器人模型。

Images