CN113704992A - 基于足地接触模型的足式机器人地形感知及地形分类方法 - Google Patents
基于足地接触模型的足式机器人地形感知及地形分类方法 Download PDFInfo
- Publication number
- CN113704992A CN113704992A CN202110979356.4A CN202110979356A CN113704992A CN 113704992 A CN113704992 A CN 113704992A CN 202110979356 A CN202110979356 A CN 202110979356A CN 113704992 A CN113704992 A CN 113704992A
- Authority
- CN
- China
- Prior art keywords
- foot
- ground
- terrain
- ground contact
- model
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Manipulator (AREA)
Abstract
本发明提供了基于足地接触模型的足式机器人地形感知及地形分类方法,该方法包括步骤:对足式机器人进行导纳控制,并获取所述足式机器人的足端的受力信息,以及获取所述足端的位置信息;根据所述受力信息、所述位置信息以及足地接触模型,确定地面的物理特性参数。本发明的有益效果:能够便于足式机器人对地形进行更加准确的判断。
Description
技术领域
本发明涉及地形感知技术领域,具体而言,涉及一种基于足地接触模型的足式机器人地形感知及地形分类方法。
背景技术
足式机器人,例如六足机器人在运动过程中需要通过足端与地面之间的接触为机体提供足够的支撑和牵引力。但是,与平坦的城市道路不同,野外环境非常复杂,柔软和湿滑的地形较多,在感知环境不充分的条件下盲目运动可能会使足式机器人失去运动能力甚至发生危险。目前主流的移动机器人感知手段主要为视觉感知,但地形的实际物理特性并不能完全使用地形表层状态来表征,为了实现足式机器人复杂地形的自主探测,仅依靠视觉感知地形无法使足式机器人顺利通过复杂地形。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题,为达上述目的,本发明提供了一种基于足地接触模型的足式机器人地形感知方法,包括步骤:
对足式机器人进行导纳控制,并获取所述足式机器人的足端的受力信息,以及获取所述足端的位置信息;
根据所述受力信息、所述位置信息以及足地接触模型,确定地面的物理特性参数。
进一步地,所述足地接触模型包括法向足地接触模型所述物理特性参数包括地面等效刚度参数和沉陷量指数系数,所述受力信息包括法向力,所述位置信息包括沉陷量;所述根据所述受力信息和所述位置信息,确定地面的物理特性参数包括:
根据所述法向力、所述沉陷量以及第一优化方程优化得到所述地面等效刚度参数和所述沉陷量指数系数,其中,根据所述法向足地接触模型确定所述第一优化方程。
进一步地,所述法向足地接触模型的确定公式包括:
FN=kδn;
所述第一优化方程包括:
其中,k表示所述地面等效刚度参数,n表示所述沉陷量指数系数,FN表示所述法向力,δ表示所述沉陷量,δ(ti)表示ti时刻的所述沉陷量,FN(ti)表示ti时刻的所述法向力。
进一步地,所述足地接触模型包括所述切向足地接触模型,所述物理特性参数包括地面动摩擦参数和地面剪切变形模量系数,所述受力信息包括切向力和法向力,所述位置信息包括所述足端的初始位置和实时切向位置;所述根据所述受力信息和所述位置信息,确定地面的物理特性参数包括:
根据所述切向力、所述法向力、所述初始位置、所述实时切向位置以及第二优化方程优化得到所述地面动摩擦参数和所述地面剪切变形模量系数,其中,根据切向足地接触模型确定所述第二优化方程。
进一步地,所述切向足地接触模型的确定公式包括:
FT=-μ·th(j,1.5K)FN;
所述第二优化方程包括:
其中,μ表示所述地面动摩擦参数,K表示所述地面剪切变形模量系数,FT表示所述切向力,FT(ti)表示ti时刻的所述切向力,FN表示所述法向力,x(ti)表示ti时刻的所述实时切向位置,x(0)表示所述初始位置,th表示双曲正切函数。
进一步地,所述对足式机器人进行导纳控制,并获取所述足式机器人的足端的受力信息包括:
当所述足式机器人与所述地面接触时,控制所述足式机器人进行正向滑移,并在所述正向滑移后控制所述足式机器人进行反向滑移,直至所述反向滑移回到所述足式机器人与所述地面的初始接触位置;
获取所述反向滑移过程中的所述切向力。
进一步地,所述对足式机器人进行导纳控制包括:
根据所述受力信息与预设控制压力的对比情况确定位移修正量;
根据所述位移修正量调整所述足端的位置。
本发明中的基于足地接触模型的足式机器人地形感知方法,通过足式机器人的足端在于地面接触时,能够根据触觉感知实时的探测地面的真实可靠的物理状态,具体地,通过获取足式机器人的足端与地面接触时的受力信息,以及获取足端的位置信息,从而进行触觉感知,进而根据确定的受力信息和位置信息,以及结合相应的足地接触模型,确定地面的物理特性参数,物理特性参数是衡量地形是否可通过或具体如何通过的重要信息,由此可根据物理特性参数便于足式机器人判断是否能够通过,以及确定如何通过的具体通行策略。
本发明还提出了一种地形分类方法,包括步骤:
根据上述的基于足地接触模型的足式机器人地形感知方法,获取多种地形类型的物理特性参数;
根据多种所述地形类型和所述物理特性参数生成训练数据集;
将所述训练数据集输入分类模型进行模型训练;
将训练完成后的模型用于地形分类。
进一步地,在所述将所述训练数据集输入分类模型进行模型训练前,还包括:将所述训练数据集的物理特性参数进行标准化处理,其中,所述标准化处理的数据处理公式包括:
其中,x*表示经过标准化处理后的物理特性参数,x表示物理特性参数的数据原始值;a表示物理特性参数的样本数据均值,σ表示物理特性参数的样本数据标准差。
本发明中的地形分类方法,其有益效果与上述基于足地接触模型的足式机器人地形感知方法的有益效果相近似,并且,通过获得的物理特性参数训练分类模型以用于进行地形分类,从而便于足式机器人用于更快捷、更准确地地形感知。
本发明还提出了一种计算设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,当所述处理器执行所述计算机程序时,实现如上所述的基于足地接触模型的足式机器人地形感知方法,和/或实现如上所述的地形分类方法。
本发明所述的计算设备与上述基于足地接触模型的足式机器人地形感知方法和地形分类方法的有益效果相近似,在此不再进行赘述。
附图说明
图1为本发明实施例基于足地接触模型的足式机器人地形感知方法的流程示意图;
图2为本发明实施例中足式机器人与地面接触中足端轨迹过程示意图;
图3为本发明实施例中足式机器人运动过程中的受力变化示意图,其中,上层的线段表示的是法向力的变化,下层的线段表示的是切向力的变化;
图4为本发明实施例中分类模型的训练过程示意图;
图5为本发明实施例中使用法向特征进行分类后的混淆矩阵示意图;
图6为本发明实施例中使用切向特征进行分类后的混淆矩阵示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
要说明的是,本发明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,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
参照图1所示,本发明实施例提出了一种基于足地接触模型的足式机器人地形感知方法,包括步骤:
S1、对足式机器人进行导纳控制,并获取所述足式机器人的足端的受力信息,以及获取所述足端的位置信息;
S2、根据所述受力信息、所述位置信息以及足地接触模型,确定地面的物理特性参数。
本发明实施例中的基于足地接触模型的足式机器人地形感知方法,可以用于足式机器人对地形进行感知,从而在感知后,便于足式机器人采取对应的通过策略,进而适用于足式机器人在复杂地形的通行。
本实施例中,通过足式机器人的足端在于地面接触时,能够根据触觉感知实时的探测地面的真实可靠的物理状态,具体地,通过获取足式机器人的足端与地面接触时的受力信息,以及获取足端的位置信息,从而进行触觉感知,进而根据确定的受力信息和位置信息,以及结合相应的足地接触模型,确定地面的物理特性参数,物理特性参数是衡量地形是否可通过或具体如何通过的重要信息,由此可根据物理特性参数确定足式机器人的通过策略。其中,受力信息可包括法向力和切向力等,位置信息可包括位移情况,如切向位移和法向位移(柔性或硬质足端相对于松软地面或硬质地面的沉陷量)等。
其中,可在足式机器人处设置关节编码器进行正运动学解算获取所述位置信息,如获取沉陷量、初始位置、和实时切向位置。可通过在足式机器人的足端设置六维力传感器,而在足式机器人运动时获得受力信息,如获得法向力和切向力等。
在足式机器人运动时,采用对足式机器人进行导纳控制,从而对足端与地面接触施加力的跟踪,以保证足端在较为稳定的压力下运动,进而保证采集数据更加的理想。通过采用导纳控制,通过获取足端的受力信息和位置信息,建立映射关系,将足式机器人足端因为外界环境影响而产生的位置误差视为“干扰”,使机器人在收到外部影响时产生导纳形式的响应。在导纳控制中,可以根据当前的受力状态以及目标导纳模型来输出运动状态。
具体地,在本发明的一个可选的实施例中,所述对足式机器人进行导纳控制包括:
根据所述受力信息与预设控制压力的对比情况确定位移修正量;
根据所述位移修正量调整所述足端的位置。
本实施例中,采用的导纳控制将理想控制压力(理想控制压力)与受力信息中实际接触力的差值作为导纳控制的输入,通过导纳控制得到位置修正量来调整足端位置。修正后的足端导纳控制以关节位置控制作为整个控制的内环,以足端受力信息和理想控制压力的差值作为外环,不仅不需要地面参数,并且可实现力跟踪。其中,导纳控制可基于导纳控制器实现。
对于不同类型的足式机器人足端和不同地面的接触,可以大致分为以下四种情况:刚性足端与松软地面接触;柔性足端与松软地面接触;柔性足端与硬质地面接触;刚性足端与硬质地面接触。由于刚性足端与硬质地面之间的碰撞会对足式机器人产生伤害,目前常见的足式机器人都会在足端添加弹簧或软质材料来规避破坏性的刚性碰撞,此时即仍视为柔性足端与硬质地面接触。
在本发明的一个可选的实施例中,所述足地接触模型包括法向足地接触模型,所述物理特性参数包括地面等效刚度参数和沉陷量指数系数,以用于对地形特征进行表征,基于此,所述受力信息包括法向力,所述位置信息包括沉陷量;所述根据所述受力信息和所述位置信息,确定地面的物理特性参数包括:
根据所述法向力、所述沉陷量以及第一优化方程优化得到所述地面等效刚度参数和所述沉陷量指数系数,其中,根据所述法向足地接触模型确定所述第一优化方程。
其中,所述法向足地接触模型的确定公式包括:
FN=kδn;
所述第一优化方程包括:
其中,k表示所述地面等效刚度参数,n表示所述沉陷量指数系数,FN表示所述法向力,δ表示所述沉陷量,δ(ti)表示ti时刻的所述沉陷量,FN(ti)表示ti时刻的所述法向力。
通常情况下,柔性足端与硬质地面的相互作用力学模型通常采用Hertz模型进行表示,具体地:
其中,kFN表示柔性足的刚度系数,nFN表示沉陷量指数系数。
刚性足端与松软地面的相互作用模型与Hertz模型具有相同的形式,具体地:
其中,kTN表示刚性足端刚度系数,nFN表示沉陷量指数系数。
式中,kTN与土壤的物理力学性质、足端的形状、材料和尺寸有关,nTN则与土壤沉陷指数nT和足端形状有关,常见的不同类型足的kTN与nTN参数如表1所示。
表1:不同类型足的足地接触模型相关参数
柔性足与松软土壤之间的相互作用过程更为复杂,通常表示为两个相连的弹簧阻尼模型。由此,本发明实施例中将足与土壤视作一个整体,视为一个并联的弹簧模型,即:
其中,δ表示足端与弹簧共同的变形量,kN表示足端与弹簧的等效刚度,nN表示所述沉陷量指数系数。
虽柔性足与硬质地面和松软地面的相互作用力学模型不同,针对不同类型的足的具体表达也各异。但这些模型在形式上具有一致性,因此可归纳出统一的法向足地接触模型,即:
FN=kδn;
其中,δ表示所述沉陷量,kN表示所述地面等效刚度参数,nN表示所述沉陷量指数系数。对于本实施例中的足式机器人,其足端形状和所用材料已经固定,则参数k与n的变化仅与地面类型有关,因此可作为衡量地面法向松软程度的关键参数,进而用于地形感知。
基于上述法向足地接触模型,进而得到用于确定所述参数k与n的第一优化方程,通过对足式机器人进行导纳控制,驱动足式机器人与地面接触后以十分缓慢的速度逐渐加载足端法向力,并采集整个过程中的法向力和法向位移(沉陷量),进而通过第一优化函数优化获取得到所述地面等效刚度参数和所述沉陷量指数系数。参照图2所示,为基于导纳控制,足式机器人与地面接触中足端轨迹过程示意图。足端在初始时刻位置为A,以l1轨迹运动到规划落足点上方一定距离的B点处。然后按照l2轨迹开始缓慢落足,直到力达到目标值停止,此时足端位置为C。以此即可得到整个过程的法向力和沉陷量,进而确定所述地面等效刚度参数和所述沉陷量指数系数。当所述足式机器人与所述地面接触后,基于导纳控制,足端保持一定的法向力按照l3轨迹正向滑移到达D点,之后反向滑移回到C点,以此即可得到整个过程的法向力和位移的关系,进而确定所述地面动摩擦参数和所述地面剪切变形模量系数。
在本发明的一个可选的实施例中,所述足地接触模型包括切向足地接触模型所述物理特性参数包括地面动摩擦参数和地面剪切变形模量系数,以用于对地形特征进行表征,基于此,所述受力信息包括切向力和法向力,所述位置信息包括所述足端的初始位置和实时切向位置;所述根据所述受力信息和所述位置信息,确定地面的物理特性参数包括:
根据所述切向力、所述初始位置、所述实时切向位置以及第二优化方程优化得到所述地面动摩擦参数和所述地面剪切变形模量系数,其中,根据所述切向足地接触模型确定所述第二优化方程。
其中,所述切向足地接触模型的确定公式包括:
FT=-μ·th(j,1.5K)FN;
所述第二优化方程包括:
其中,μ表示所述地面动摩擦参数,K表示所述地面剪切变形模量系数,FT表示所述切向力,FT(ti)表示ti时刻的所述切向力,FN表示所述法向力,x(ti)表示ti时刻的所述实时切向位置,x(0)表示所述初始位置。
对于硬质地面,可采用传统的库伦摩擦模型确定切向力,其中,切向力FT表示为:
其中,Fe表示静摩擦力,μ表示动摩擦系数,μs表示静摩擦系数,sgn(x)表示符号函数。
当足端与地面存在相对滑动时,静摩擦力会立即转变为动摩擦力。动摩擦力由动摩擦系数μ和法向支持力FTN决定,其中动摩擦系数μ与足端和地面的材料和粗糙程度相关。当足端刚与地面脱离接触时,静摩擦系数μs略大于动摩擦系数μ。
根据Janosi模型,不同类型的足端与松软地面切向相互作用的统一模型包括:
FH=-th(j,1.5K)μHFN;
式中,FH表示切向力,FN表示法向力,μH表示摩擦系数;th表示双曲正切函数;j表示松软地面的剪切位移量,单位为m,K表示松软地面的剪切变形模量系数,单位为m。
当松软地面的剪切位移量j达到剪切变形模量系数值K的三倍时,对应的切向力基本达到饱和;摩擦系数μH与足端的形状、材料和土壤的物理性质参数有关,参照上述表1中,其包括四种不同形状的足的μH参数表达式。参数μH包含两部分:一部分为土壤内摩擦角的正切函数另外一部分为关于土壤内聚力系数c的方程,由土壤内聚力系数引起的最大的切向力与内聚力系数c和接触面积S成正比。
为基于上述库伦摩擦模型,以及了足在松软地面上的切向模型,本实施例中,确定的切向足地接触模型的公式包括:
FT=-μ·th(j,1.5K)FN;
其中,μ表示地面的动摩擦系数。由于静摩擦阶段的过程十分短暂,对于建立地面切向摩擦程度的表征影响不大,所以在该变换模型中忽略最大静摩擦阶段。由于静摩擦到动摩擦阶段没有产生任何滑移量,所以模型中的K值为一个较小的固定值,因此通过提取地面的动摩擦系数μ和地面剪切变形模量系数K可以用来表征地面的切向摩擦特性,以此用于地形感知。
基于上述切向足地接触模型,进而得到用于确定所述参数μ与K的第二优化方程,通过对足式机器人进行导纳控制,驱动足式机器人与地面接触后在一定的法向力施加条件下,足端沿着地面表面进行缓慢的切向移动,并获取移动过程中切向力、法向力和位移信息(初始位置和实时切向位置),进而通过第二优化函数优化获取得到所述地面动摩擦参数和所述地面剪切变形模量系数,进而用于地形感知。
由于足端六维力传感器的测量的受力信息可能存在噪声,且足端松软地面进行切向运动时切向力的波动较大,可能会影响结果的准确性,因此在一个可选的实施例中,参数提取之前可通过滤波器以减弱噪声对辨识参数的影响,具体地,可采用均值滤波进行准确的受力信息和位置信息的滤波处理,通过将窗口范围内的数据取平均值,可以抑制足端与松软地面摩擦时产生的数据噪声,起到平滑原始数据的作用。
在本发明的一个可选的实施例中,所述对足式机器人进行导纳控制,并获取所述足式机器人的足端的受力信息包括:
当所述足式机器人与所述地面接触时,控制所述足式机器人进行正向滑移,并在所述正向滑移后控制所述足式机器人进行反向滑移,直至所述反向滑移回到所述足式机器人与所述地面的初始接触位置;
获取所述反向滑移过程中的所述切向力。
参照图3所示,在本实施例中,对足式机器人的足端与地面接触时,具体可分为四个部分。
其中,第一部分,为未接触阶段,此时足端悬空在地面上,并以一定的速度下降,此时的法向力曲线值不为0,本实施例中大致在40N左右,这是由于足端传感器下部分的足端的重量。
第二部分,为法线接触阶段,由于足式机器人质量较重,所以在测量地形的参数时需要加载较大的法向力进行测量,本实施例中在测量所有地形时,在图3中的1阶段,足端缓慢匀速下降,直到法向力施加到200N时停止。图3中虚线框中的1部分对应的受力信息和相应获得的法向位移(沉陷量)即可用于提取地面的物理特性参数,也即用于获取地面等效刚度参数和所述沉陷量指数系数。
第三部分,为正向滑移阶段,正向滑移阶段即足端沿着足式机器人前进方向的反方向水平移动,同时通过阻抗控制保证与地面的法向力保持在200N左右。
第四部分,为在正向滑移阶段后的反向滑移阶段,即足式机器人足端往前进方向移动,运动直到回到足式机器人与所述地面的初始接触位置处,由于该阶段切向力变化较为明显,因此,本实施例中采用该阶段获得的受力信息和相应地切向位移(初始位置和实时切向位置的差值),进而能够用于准确确定地面动摩擦参数和所述地面剪切变形模量系数,进而用于地形感知。
本发明另一实施例的一种地形分类方法,包括步骤:
根据如上所述的基于足地接触模型的足式机器人地形感知方法,获取多种地形类型的物理特性参数;
根据多种所述地形类型和所述物理特性参数生成训练数据集;
将所述训练数据集输入分类模型进行模型训练;
将训练完成后的模型用于地形分类。
本实施例所述的地形分类方法,其有益效果与上述基于足地接触模型的足式机器人地形感知方法的有益效果相近似,并且,通过获得的物理特性参数训练分类模型以用于进行地形分类,从而便于足式机器人用于更快捷、更准确地地形感知,分类模型可基于支持向量机、高斯判别分类、K-邻近算法及逻辑回归等进行构建,具体根据实际情况进行选择。
在本发明的一个可选地实施例中,在所述将所述训练数据集输入分类模型进行模型训练前,还包括:将所述训练数据集的物理特性参数进行标准化处理,其中,所述标准化处理的数据处理公式包括:
其中,x*表示经过标准化处理后的物理特性参数,x表示物理特性参数的数据原始值;a表示物理特性参数的样本数据均值,σ表示物理特性参数的样本数据标准差。
本实施例中,在通过训练数据集对模型进行训练前,还包括对训练数据集中的物理特性参数数据进行数据预处理,具体地,通过Z-score标准化方法对训练数据集的数据进行处理以提高精度。
在本发明的一个具体的实施例中,分类模型的训练如图4所示,具体选取了8种地形进行训练,选取的8种地形分别为:1)中等摩擦硬质地形(实验室水泥地砖);2)较硬的橡胶垫;3)多层布料;4)具有中等松软特性和中等摩擦特性的沙地;5)低摩擦硬质地形(冰面);6)具有较大松软特性和较大摩擦特性的野外常见的泥地,实验中选择松软的花土作为实验地形;7)松软的雪地,实验中选择堆积产生的雪堆;8)高摩擦硬质地形(沥青路面)。每种地形采集105组数据。
通过获取足式机器人与地面接触后的法向力、沉陷量、切向力与切向位移(初始位置和实时切向位置的差值),进而得到各个地形的多组物理特性参数,进而将地形的类别标签和物理特性参数进行汇总并合成数据集。数据集中选取不同的比例作为训练数据集和测试数据集,并分别对不同的分类模型进行训练包括典型的支持向量机(SVM)、高斯判别分析(GDA)、逻辑回归(LR)以及K-邻近算法(KNN)的方法。采用Z-score标准化方法对训练数据集的数据进行处理,以提高精度。
最终,对训练后的模型进行分析,得到使用不同物理特性参数下的分类精度,如下表2所示。以及得到分别使用法向特征(地面等效刚度参数和沉陷量指数系数)和切向特征(动摩擦系数μ和地面剪切变形模量系数K)进行分类的混淆矩阵,如图5和6所示。以及如下表3所示训练集与测试集不同比例下的分类精度。基于上述分析,可以确定本发明实施例中的基于足地接触模型的足式机器人地形感知方法和地形分类方法的精度较高,便于足式机器人实时进行地形分类,其中根据不同的使用需求,可采用不同的分类模型。
表2:使用不同特征数据在四种分类模型下的分类精度
表3:使用不同训练数据集和测试数据集比例下的分类精度
本发明另一实施例的一种计算设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,当所述处理器执行所述计算机程序时,实现如上所述的基于足地接触模型的足式机器人地形感知方法,和/或实现如上所述的地形分类方法。
本发明实施例所述的计算设备,其有益效果与上述基于足地接触模型的足式机器人地形感知方法和地形分类方法的有益效果相近似,在此不再进行赘述。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (10)
1.一种基于足地接触模型的足式机器人地形感知方法,其特征在于,包括:
对足式机器人进行导纳控制,并获取所述足式机器人的足端的受力信息,以及获取所述足端的位置信息;
根据所述受力信息、所述位置信息以及足地接触模型,确定地面的物理特性参数。
2.根据权利要求1所述的基于足地接触模型的足式机器人地形感知方法,其特征在于,所述足地接触模型包括法向足地接触模型,所述物理特性参数包括地面等效刚度参数和沉陷量指数系数,所述受力信息包括法向力,所述位置信息包括沉陷量;所述根据所述受力信息和所述位置信息,确定地面的物理特性参数包括:
根据所述法向力、所述沉陷量以及第一优化方程优化得到所述地面等效刚度参数和所述沉陷量指数系数,其中,根据所述法向足地接触模型确定所述第一优化方程。
4.根据权利要求1所述的基于足地接触模型的足式机器人地形感知方法,其特征在于,所述足地接触模型包括切向足地接触模型,所述物理特性参数包括地面动摩擦参数和地面剪切变形模量系数,所述受力信息包括切向力和法向力,所述位置信息包括所述足端的初始位置和实时切向位置;所述根据所述受力信息和所述位置信息,确定地面的物理特性参数包括:
根据所述切向力、所述法向力、所述初始位置、所述实时切向位置以及第二优化方程优化得到所述地面动摩擦参数和所述地面剪切变形模量系数,其中,根据所述切向足地接触模型确定所述第二优化方程。
6.根据权利要求4所述的基于足地接触模型的足式机器人地形感知方法,其特征在于,所述对足式机器人进行导纳控制,并获取所述足式机器人的足端的受力信息包括:
当所述足式机器人与所述地面接触时,控制所述足式机器人进行正向滑移,并在所述正向滑移后控制所述足式机器人进行反向滑移,直至所述反向滑移回到所述足式机器人与所述地面的初始接触位置;
获取所述反向滑移过程中的所述切向力。
7.根据权利要求1所述的基于足地接触模型的足式机器人地形感知方法,其特征在于,所述对足式机器人进行导纳控制包括:
根据所述受力信息与预设控制压力的对比情况确定位移修正量;
根据所述位移修正量调整所述足端的位置。
8.一种地形分类方法,其特征在于,包括:
根据权利要求1-7任一项所述的基于足地接触模型的足式机器人地形感知方法,获取多种地形类型的物理特性参数;
根据多种所述地形类型和所述物理特性参数生成训练数据集;
将所述训练数据集输入分类模型进行模型训练;
将训练完成后的模型用于地形分类。
10.一种计算设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,当所述处理器执行所述计算机程序时,实现如权利要求1-7中任一项所述的基于足地接触模型的足式机器人地形感知方法,和/或实现如权利要求8或9中所述的地形分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110979356.4A CN113704992A (zh) | 2021-08-25 | 2021-08-25 | 基于足地接触模型的足式机器人地形感知及地形分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110979356.4A CN113704992A (zh) | 2021-08-25 | 2021-08-25 | 基于足地接触模型的足式机器人地形感知及地形分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113704992A true CN113704992A (zh) | 2021-11-26 |
Family
ID=78654552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110979356.4A Pending CN113704992A (zh) | 2021-08-25 | 2021-08-25 | 基于足地接触模型的足式机器人地形感知及地形分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113704992A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114474053A (zh) * | 2021-12-30 | 2022-05-13 | 暨南大学 | 一种机器人地形识别及速度控制方法及系统 |
-
2021
- 2021-08-25 CN CN202110979356.4A patent/CN113704992A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114474053A (zh) * | 2021-12-30 | 2022-05-13 | 暨南大学 | 一种机器人地形识别及速度控制方法及系统 |
CN114474053B (zh) * | 2021-12-30 | 2023-01-17 | 暨南大学 | 一种机器人地形识别及速度控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Okamura et al. | Haptic exploration of objects with rolling and sliding | |
Kolvenbach et al. | Haptic inspection of planetary soils with legged robots | |
Walas | Terrain classification and negotiation with a walking robot | |
Best et al. | Terrain classification using a hexapod robot | |
KR100717397B1 (ko) | 로드셀을 이용한 노약자의 보행보조로봇에 장착되는보행의지파악 시스템 | |
Iagnemma et al. | Classification-based wheel slip detection and detector fusion for mobile robots on outdoor terrain | |
CN113704992A (zh) | 基于足地接触模型的足式机器人地形感知及地形分类方法 | |
Ding et al. | Pressing and rubbing: physics-informed features facilitate haptic terrain classification for legged robots | |
Liu et al. | Friction estimation based object surface classification for intelligent manipulation | |
CN104382608A (zh) | 一种基于脚底压力的人体步态信息采集鞋 | |
CN109470631A (zh) | 橡胶的粘接试验方法以及橡胶的粘接试验系统 | |
CN105404866B (zh) | 一种多模式自动实施人体状态感知的实现方法 | |
Zhao et al. | A novel method of soil parameter identification and force prediction for automatic excavation | |
Dallaire et al. | Learning terrain types with the pitman-yor process mixtures of gaussians for a legged robot | |
Ma et al. | A geometry-based slip prediction model for planetary rovers | |
Song et al. | A novel dynamic slip prediction and compensation approach based on haptic surface exploration | |
Liu et al. | Beyond Coulomb: Stochastic Friction Models for Practical Grasping and Manipulation | |
CN109635498B (zh) | 一种基于接触交互信息的多足机器人行走稳定性评价方法 | |
Manjanna et al. | Autonomous gait selection for energy efficient walking | |
CN106682308A (zh) | 采煤机负载位置载荷分析方法 | |
Yao et al. | STAF: Interaction-Based Design and Evaluation of Sensorized Terrain-Adaptive Foot for Legged Robot Traversing on Soft Slopes | |
CN113338253B (zh) | 一种评估履带机器人海床行走能力的力学触探仪及方法 | |
Song et al. | Object surface classificaiton based on friction properties for intelligent robotic hands | |
CN115730483A (zh) | 基于胎内应变分析的轮胎垂向力与侧偏力联合估计方法 | |
CN105160189A (zh) | 一种基于车辙信息的车轮滑转率和侧偏角测量方法 |
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 |