CN114603599A - 一种机器人碰撞检测方法、装置、计算机设备及存储介质 - Google Patents
一种机器人碰撞检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114603599A CN114603599A CN202011441096.7A CN202011441096A CN114603599A CN 114603599 A CN114603599 A CN 114603599A CN 202011441096 A CN202011441096 A CN 202011441096A CN 114603599 A CN114603599 A CN 114603599A
- Authority
- CN
- China
- Prior art keywords
- data
- robot
- theoretical
- driver
- detected
- 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
-
- 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
- B25J19/0095—Means or methods for testing manipulators
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
Abstract
本申请实施例属于自动化控制领域,涉及一种机器人碰撞检测方法、装置,包括当机器人处于工作状态时,采集机器人的驱动器数据;对驱动器数据进行理论计算,输出理论关节力矩值;采集机器人的实时力矩数据;将驱动器数据、理论关节力矩值以及实时力矩数据作为待检测数据;将待检测数据输入训练好的SVM碰撞预测模型中进行预测操作,得到预测结果。本申请还提供一种机器人碰撞检测装置、计算机设备及存储介质。本申请能够准确快速地获取到机器人的碰撞预测结果,有效防止事故发生,且计算复杂度低,从而提高预测效率。
Description
技术领域
本申请涉及自动化控制技术领域,尤其涉及一种机器人碰撞检测方法、装置、计算机设备及存储介质。
背景技术
在协作机器人日益受重视并蓬勃发展的今天,协作机器人已经逐渐进入到自动化生产的各个环节。协作机器人的基于关节驱动器力矩力控等技术的碰撞保护功能,以其成本低,使用灵活以及部署方便等特点日益得到用户的认可。
目前协作机器人碰撞保护检测手段通常考虑当前关节力矩与计算获取的理论动力学力矩相比较,当差值超过碰撞阈值即产生触发碰撞响应,保证机器人与外部环境的安全。然后该方法触发碰撞保护条件因容易受到客观因素的影响,导致发生错误报警或检测灵敏度较低、准确率不高。
发明内容
本申请实施例的目的在于提出一种机器人碰撞检测方法、装置、计算机设备及存储介质,以至少解决传统的机器人碰撞检测方法检测碰撞准确率不高的问题。
为了解决上述技术问题,本申请实施例提供一种机器人碰撞检测方法,采用了如下所述的技术方案:
当机器人处于工作状态时,采集机器人的驱动器数据;
对驱动器数据进行理论计算,输出理论关节力矩值;
采集机器人的实时力矩数据;
将驱动器数据、理论关节力矩值以及实时力矩数据作为待检测数据;
将待检测数据输入训练好的SVM碰撞预测模型中进行预测操作,得到预测结果。
进一步的,该方法还包括:
读取本地数据库,在本地数据库中获取用于预先构建好的SVM基础模型的训练样本数据;
将训练样本数据输入SVM基础模型中进行训练,得到训练好SVM碰撞检测模型。
进一步地,对驱动器数据进行理论计算,输出理论关节力矩值的步骤具体包括:
基于动力学算法以及摩擦补偿算法对驱动器数据进行计算,输出理论关节力矩值。
进一步地,该方法还包括:
对实时力矩数据采用滤波器进行过滤操作,得到过滤力矩数据;
将驱动器数据、理论关节力矩值以及实时力矩数据作为待检测数据的步骤具体包括:
将驱动器数据、理论关节力矩值以及过滤力矩数据作为待检测数据。
为了解决上述技术问题,本申请实施例还提供一种机器人碰撞检测装置,采用了如下所述的技术方案:
驱动器数据采集模块,用于当机器人处于工作状态时,采集机器人的驱动器数据;
理论数据计算模块,用于对驱动器数据进行理论计算,输出理论关节力矩值;
力矩数据采集模块,用于采集机器人的实时力矩数据;
待检测数据生成模块,用于将驱动器数据、理论关节力矩值以及实时力矩数据作为待检测数据;
结果预测模块,用于将待检测数据输入训练好的SVM碰撞预测模型中进行预测操作,得到预测结果。
进一步的,该装置还包括:
样本数据获取模块,用于读取本地数据库,在本地数据库中获取用于预先构建好的SVM基础模型的训练样本数据;
模型训练模块,用于将训练样本数据输入SVM基础模型中进行训练,得到训练好SVM碰撞检测模型。
进一步地,理论数据计算模块包括:
基于动力学算法以及摩擦补偿算法对驱动器数据进行计算,输出理论关节力矩值。
进一步地,该装置还包括:
数据过滤模块,用于对实时力矩数据采用滤波器进行过滤操作,得到过滤力矩数据;
待检测数据生成模块包括:
数据生成单元,用于将驱动器数据、理论关节力矩值以及过滤力矩数据作为待检测数据。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
包括存储器和处理器,存储器中存储有计算机程序,处理器执行计算机程序时实现如上述的机器人碰撞检测方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下的技术方案:
计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述的机器人碰撞检测方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请提供了一种机器人碰撞检测方法,包括:当机器人处于工作状态时,采集机器人的驱动器数据;对驱动器数据进行理论计算,输出理论关节力矩值;采集机器人的实时力矩数据;将驱动器数据、理论关节力矩值以及实时力矩数据作为待检测数据;将待检测数据输入训练好的SVM碰撞预测模型中进行预测操作,得到预测结果。通过对采集到的机器人的驱动器数据进行理论计算以快速获取机器人的理论关节力矩值,并基于采集到机器人的驱动器数据、实时力矩数据以及计算出的理论关节力矩值生成待检测数据;然后,通过将训练好的SVM碰撞预测模型作为分析工具,对待检测数据进行分析预测,以得到待检测数据对应的预测结果。能够准确快速地获取到机器人的碰撞预测结果,有效防止事故发生,且计算复杂度低,从而提高预测效率。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性协作机器人示意图;
图2根据本申请的机器人碰撞检测方法的原理示意图;
图3根据本申请的机器人碰撞检测方法的一个实施例的流程图;
图4根据本申请的机器人碰撞检测方法的SVM基础模型训练的流程图;
图5根据本申请的机器人碰撞检测方法的力矩数据过滤的流程图;
图6是根据本申请的机器人碰撞检测装置的一个实施例的结构示意图;
图7根据本申请的机器人碰撞检测装置的SVM基础模型训练的模块图;
图8根据本申请的机器人碰撞检测装置的力矩数据过滤的模块图;
图9是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
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,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
实施例一
参考图1至图3,示出了根据本申请的机器人碰撞检测方法的一个实施例的流程图,为了便于说明,仅示出与本申请相关的部分。的注意力训练方法,包括以下步骤:
在步骤S1中,当机器人处于工作状态时,采集机器人的驱动器数据。
在本实施例中,驱动器数据是机器人在工作状态时各个关节的扭矩数据,具体可以包括速度、加速度等数据。
在本实施例中,采集机器人的驱动器数据,具体可以是通过控制局域网络通信协议(CANopen)采集机器人工作时的各个关节的扭矩数据。
其中,CANopen包括通信子协议及设备子协议,可用于嵌入式系统中使用,也是工业控制常用到的一种现场总线,其物理层非常稳定,数据链路层可靠,能够用于快速准确地获取到机器人在工作状态时各个关节的扭矩数据,以供后续使用采集到的驱动器数据进行分析,有助于提高机器人碰撞预测的效率。
在步骤S2中,对驱动器数据进行理论计算,输出理论关节力矩值。
在本实施例中,理论关节力矩值是机器人工作时各关节符合运动学预期的理论运动规划对应的力矩数据。
在本实施例中,对采集到的驱动器数据进行理论计算,具体可以是将采集到的速度、加速度输入至理论动力学模型以及进行计算,再将计算出的理论动力学数据应用至摩擦补偿模型进行分析计算,输出的数据作为该理论关节力矩值。
其中,动力学模型用于优化机器人在应用任务要求以及动力学约束下的速度,加速度和加速度率等参考信号;如机器人在完成不同的应用任务时,一般情况都是在机器人笛卡尔坐标系下规划工具的运动轨迹,然后通过运动学关系投射到机器人关节空间,生成关节空间的运动轨迹;又由于机器人运动是依靠驱动关节上的电机进行运动的,但是各关节之间耦合了如弹性连杆、弹性轴承等,在运动的过程中会因摩擦作用导致运动轨迹产生误差,故为了进一步优化机器人的速度,加速度和加速度率等参考信号,本实施例通过采用摩擦补偿模型来克服,其中,摩擦补偿模型是用于补偿因轴承或关节各处摩擦共同作用产生摩擦力矩而导致机器人工作时的关节运动产生误差,以保证对理论关节力矩值的准确获取。
在步骤S3中,采集机器人的实时力矩数据。
在本实施例中,实时力矩数据是机器人工作时各关节运动时产生的实时力矩值以及该实时力矩的导数。
在本实施例中,采集机器人的实时力矩数据具体可以是通过使用末端力矩传感器TCP来实时获取实时力矩数据。
在步骤S4中,将驱动器数据、理论关节力矩值以及实时力矩数据作为待检测数据。
在本实施例中,为了保证准确快速地获取到机器人的碰撞预测结果,有效防止事故发生,本实施例通过驱动器数据、理论关节力矩值以及实时力矩数据结合为待检测数据,以使后续通过将待检测数据作为SVM碰撞预测模型的输入数据来进行客观分析,以获取较为准确的碰撞预测结果,从而保证预测准确率以及效率。
在步骤S5中,将待检测数据输入训练好的SVM碰撞预测模型中进行预测操作,得到预测结果。
在本实施例中,SVM碰撞预测模型是是一种二类分类模型,其分类原理是在复杂数据中通过选择一个核函数,然后通过利用该核函数将数据映射到高维空间,来解决在原始空间中线性不可分的问题,故本实施例通过SVM基础模型进行训练,来获取能够对机器人是否发生碰撞进行分类的SVM碰撞预测模型。
在本实施例中,将待检测数据输入训练好的SVM碰撞预测模型中进行预测操作,通过以理论关节力矩数据、实际力矩值、关节速度、关节加速度、实际力矩导数作为支持向量机输入,输入到训练好的SVM碰撞预测模型,对这些数据进行分类处理,并根据输出的处理结果确定是否发生碰撞检测,得到该预测结果。
本申请提供了一种机器人碰撞检测方法,包括:当机器人处于工作状态时,采集机器人的驱动器数据;对驱动器数据进行理论计算,输出理论关节力矩值;采集机器人的实时力矩数据;将驱动器数据、理论关节力矩值以及实时力矩数据作为待检测数据;将待检测数据输入训练好的SVM碰撞预测模型中进行预测操作,得到预测结果。通过对采集到的机器人的驱动器数据进行理论计算以快速获取机器人的理论关节力矩值,并基于采集到机器人的驱动器数据、实时力矩数据以及计算出的理论关节力矩值生成待检测数据;然后,通过将训练好的SVM碰撞预测模型作为分析工具,对待检测数据进行分析预测,以得到待检测数据对应的预测结果。能够准确快速地获取到机器人的碰撞预测结果,有效防止事故发生,且计算复杂度低,从而提高预测效率。
继续参考图4,示出了根据本申请的机器人碰撞检测方法的SVM基础模型训练的流程图,为了便于说明,仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中,在上述步骤S1之后,该方法还包括:步骤S401以及步骤S402,其中:
在步骤S401中,读取本地数据库,在本地数据库中获取用于预先构建好的SVM基础模型的训练样本数据。
在步骤S402中,将训练样本数据输入SVM基础模型中进行训练,得到训练好SVM碰撞检测模型。
在本实施例中,训练样本数据具体可以是采集到的模拟机器人工作中的各个关节运动的驱动器模拟数据,基于驱动器模拟数据计算获得的理论模拟力矩,采集到的实时模拟力矩数据,以及模拟时的实际碰撞结果,即该训练样本数据包括模拟速度、模拟加速度、实时模拟力矩、理论模拟力矩、实时模拟力矩的导数以及实际模拟碰撞结果,以供后续以训练样本数据为SVM基础模型的输入,进行SVM基础模型的训练,以获取具有较高碰撞预测准确率的SVM碰撞预测模型。
在本实施例中,SVM基础模型是支持向量机,是一种二类分类模型,其定义为特征空间上的间隔最大的线性分类器,其学习策略便是间隔最大化,最终可转化为一个凸二次规划问题的求解;而对于非线性数据,SVM的处理方法是选择一个核函数,并通过将数据映射到高维空间,来解决在原始空间中线性不可分的问题。
在本实施例的一些可选的实现方式中,上述步骤S2具体包括:
基于动力学算法以及摩擦补偿算法对驱动器数据进行计算,输出理论关节力矩值。
在本实施例中,动力学算法是机器人运动规划和控制的基础,基于运动学和工作空间分析对机器人运动进行规划和控制。
具体地,本实施例采用的动力学算法是根据MDH坐标传递矩阵,建立各个运动轴坐标间的转换关系,如下所示:
需要说明的是,本实施例采用的协作机器人存在6个自由度。
进一步地,雅可比矩阵如下所示:
进一步地,在矩阵非奇异下有:
其中,
进一步地,由此本实施例可得笛卡尔空间与关节空间的速度映射关系,来实现笛卡尔速度规划与关节速度规划的转换,从而得到与驱动器数据中的机器人速度以及加速度对应的理论关节速度规划,以供后续根据该理论关节速度规划进一步计算理论关节力矩值。
在本实施例中,基于动力学算法以及摩擦补偿算法对驱动器数据进行计算,具体是在上述理论关节速度规划计算的基础上,进一步地通过动力学研究机械臂各个两岸之间的力与力矩关系,本实施例基于能量的研究动力学的方法即拉格朗日算法来进行计算。
进一步地,拉格朗日公式如下:
L=K-U (2);
其中,L表示拉格朗日函数、K表示系统动能、U表示系统势能。
进一步地,对公式(2)进行求导:
其中,τ表示各个关节的驱动力矩,t是n×1矩阵,θ表示关节位置。
进一步地,计算机器人的单连杆i的动量:
进一步地,计算机器人的机械臂总动能:
进一步地,计算机器人的单连杆势能:
进一步地,计算机器人的机械臂总势能:
综上,本实施例采用的矩阵可表示为:
继续参考图5,示出了本申请的机器人碰撞检测方法的力矩数据过滤的流程图,为了便于说明,仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中,上述步骤S3之后,该方法还包括:步骤S501,上述步骤S4具体包括:步骤S41。其中:
在步骤S501中,对实时力矩数据采用滤波器进行过滤操作,得到过滤力矩数据。
在步骤S41中,将驱动器数据、理论关节力矩值以及过滤力矩数据作为待检测数据。
在本实施例中,滤波器是实现所需频段的信号的通过,以及其他频段的信号的抑制,本实施例采用的滤波器用于对实时力矩数据的去噪声处理,过滤其存在的噪声,得到过滤后的过滤力矩数据,能够减少噪声的干扰,减少后续对该数据进行分析处理产生的误差,能够在一定程度上保证碰撞预测的准确率。
综上,本申请提供了一种机器人碰撞检测方法,包括:当机器人处于工作状态时,采集机器人的驱动器数据;对驱动器数据进行理论计算,输出理论关节力矩值;采集机器人的实时力矩数据;将驱动器数据、理论关节力矩值以及实时力矩数据作为待检测数据;将待检测数据输入训练好的SVM碰撞预测模型中进行预测操作,得到预测结果。基于CANopen准确采集机器人的驱动器数据,并基于动力学算法以及摩擦补偿算法对驱动器数据进行计算,以获取理论关节力矩值;进而,对采集到的实时力矩数据采用滤波器进行过滤操作,以获取过滤力矩数据,并基于驱动器数据、过滤力矩数据以及理论关节力矩值生成待检测数据;然后,通过将基于获取到的训练样本数据对SVM基础模型进行训练后得到的SVM碰撞预测模型作为分析工具,对待检测数据进行分析预测,以得到待检测数据对应的预测结果。能够准确快速地获取到机器人的碰撞预测结果,有效防止事故发生,且计算复杂度低,从而提高预测效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例二
进一步参考图6,作为对上述图3所示方法的实现,本申请提供了一种机器人碰撞检测装置的一个实施例,该装置实施例与图3所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本申请实施例二提供的机器人碰撞检测装置100包括:驱动器数据采集模块101、理论数据计算模块102、力矩数据采集模块103、待检测数据生成模块104以及结果预测模块105。其中:
驱动器数据采集模块101,用于当机器人处于工作状态时,采集机器人的驱动器数据;
在本实施例中,驱动器数据是机器人在工作状态时各个关节的扭矩数据,具体可以包括速度、加速度等数据。
在本实施例中,采集机器人的驱动器数据,具体可以是通过控制局域网络通信协议(CANopen)采集机器人工作时的各个关节的扭矩数据。
其中,CANopen包括通信子协议及设备子协议,可用于嵌入式系统中使用,也是工业控制常用到的一种现场总线,其物理层非常稳定,数据链路层可靠,能够用于快速准确地获取到机器人在工作状态时各个关节的扭矩数据,以供后续使用采集到的驱动器数据进行分析,有助于提高机器人碰撞预测的效率。
理论数据计算模块102,用于对驱动器数据进行理论计算,输出理论关节力矩值;
在本实施例中,理论关节力矩值是机器人工作时各关节符合运动学预期的理论运动规划对应的力矩数据。
在本实施例中,对采集到的驱动器数据进行理论计算,具体可以是将采集到的速度、加速度输入至理论动力学模型以及进行计算,再将计算出的理论动力学数据应用至摩擦补偿模型进行分析计算,输出的数据作为该理论关节力矩值。
其中,动力学模型用于优化机器人在应用任务要求以及动力学约束下的速度,加速度和加速度率等参考信号;如机器人在完成不同的应用任务时,一般情况都是在机器人笛卡尔坐标系下规划工具的运动轨迹,然后通过运动学关系投射到机器人关节空间,生成关节空间的运动轨迹;又由于机器人运动是依靠驱动关节上的电机进行运动的,但是各关节之间耦合了如弹性连杆、弹性轴承等,在运动的过程中会因摩擦作用导致运动轨迹产生误差,故为了进一步优化机器人的速度,加速度和加速度率等参考信号,本实施例通过采用摩擦补偿模型来克服,其中,摩擦补偿模型是用于补偿因轴承或关节各处摩擦共同作用产生摩擦力矩而导致机器人工作时的关节运动产生误差,以保证对理论关节力矩值的准确获取。
力矩数据采集模块103,用于采集机器人的实时力矩数据;
在本实施例中,实时力矩数据是机器人工作时各关节运动时产生的实时力矩值以及该实时力矩的导数。
在本实施例中,采集机器人的实时力矩数据具体可以是通过使用末端力矩传感器TCP来实时获取实时力矩数据。
待检测数据生成模块104,用于将驱动器数据、理论关节力矩值以及实时力矩数据作为待检测数据;
在本实施例中,为了保证准确快速地获取到机器人的碰撞预测结果,有效防止事故发生,本实施例通过驱动器数据、理论关节力矩值以及实时力矩数据结合为待检测数据,以使后续通过将待检测数据作为SVM碰撞预测模型的输入数据来进行客观分析,以获取较为准确的碰撞预测结果,从而保证预测准确率以及效率。
结果预测模块105,用于将待检测数据输入训练好的SVM碰撞预测模型中进行预测操作,得到预测结果。
在本实施例中,SVM碰撞预测模型是是一种二类分类模型,其分类原理是在复杂数据中通过选择一个核函数,然后通过利用该核函数将数据映射到高维空间,来解决在原始空间中线性不可分的问题,故本实施例通过SVM基础模型进行训练,来获取能够对机器人是否发生碰撞进行分类的SVM碰撞预测模型。
在本实施例中,将待检测数据输入训练好的SVM碰撞预测模型中进行预测操作,通过以理论关节力矩数据、实际力矩值、关节速度、关节加速度、实际力矩导数作为支持向量机输入,输入到训练好的SVM碰撞预测模型,对这些数据进行分类处理,并根据输出的处理结果确定是否发生碰撞检测,得到该预测结果。
本申请提供了一种机器人碰撞检测装置,通过对采集到的机器人的驱动器数据进行理论计算以快速获取机器人的理论关节力矩值,并基于采集到机器人的驱动器数据、实时力矩数据以及计算出的理论关节力矩值生成待检测数据;然后,通过将训练好的SVM碰撞预测模型作为分析工具,对待检测数据进行分析预测,以得到待检测数据对应的预测结果。能够准确快速地获取到机器人的碰撞预测结果,有效防止事故发生,且计算复杂度低,从而提高预测效率。
继续参考图7,示出了根据本申请的机器人碰撞检测装置的SVM基础模型训练的模块图,为了便于说明,仅示出与本申请相关的部分。
在本申请实施例二的一些可选的实现方式中,如图7所示,该装置还包括:样本数据获取模块701以及模型训练模块702。其中:
样本数据获取模块701,用于读取本地数据库,在本地数据库中获取用于预先构建好的SVM基础模型的训练样本数据;
模型训练模块702,用于将训练样本数据输入SVM基础模型中进行训练,得到训练好SVM碰撞检测模型。
在本实施例中,训练样本数据具体可以是采集到的模拟机器人工作中的各个关节运动的驱动器模拟数据,基于驱动器模拟数据计算获得的理论模拟力矩,采集到的实时模拟力矩数据,以及模拟时的实际碰撞结果,即该训练样本数据包括模拟速度、模拟加速度、实时模拟力矩、理论模拟力矩、实时模拟力矩的导数以及实际模拟碰撞结果,以供后续以训练样本数据为SVM基础模型的输入,进行SVM基础模型的训练,以获取具有较高碰撞预测准确率的SVM碰撞预测模型。
在本实施例中,SVM基础模型是支持向量机,是一种二类分类模型,其定义为特征空间上的间隔最大的线性分类器,其学习策略便是间隔最大化,最终可转化为一个凸二次规划问题的求解;而对于非线性数据,SVM的处理方法是选择一个核函数,并通过将数据映射到高维空间,来解决在原始空间中线性不可分的问题。
在本申请实施例二的一些可选的实现方式中,上述理论数据计算模块102具体包括:数据计算单元。其中:
数据计算单元,用于基于动力学算法以及摩擦补偿算法对驱动器数据进行计算,输出理论关节力矩值。
在本实施例中,动力学算法是机器人运动规划和控制的基础,基于运动学和工作空间分析对机器人运动进行规划和控制。
具体地,本实施例采用的动力学算法是根据MDH坐标传递矩阵,建立各个运动轴坐标间的转换关系,如下所示:
需要说明的是,本实施例采用的协作机器人存在6个自由度。
进一步地,雅可比矩阵如下所示:
进一步地,在矩阵非奇异下有:
其中,
进一步地,由此本实施例可得笛卡尔空间与关节空间的速度映射关系,来实现笛卡尔速度规划与关节速度规划的转换,从而得到与驱动器数据中的机器人速度以及加速度对应的理论关节速度规划,以供后续根据该理论关节速度规划进一步计算理论关节力矩值。
在本实施例中,基于动力学算法以及摩擦补偿算法对驱动器数据进行计算,具体是在上述理论关节速度规划计算的基础上,进一步地通过动力学研究机械臂各个两岸之间的力与力矩关系,本实施例基于能量的研究动力学的方法即拉格朗日算法来进行计算。
进一步地,拉格朗日公式如下:
L=K-U (2);
其中,L表示拉格朗日函数、K表示系统动能、U表示系统势能。
进一步地,对公式(2)进行求导:
其中,τ表示各个关节的驱动力矩,t是n×1矩阵,θ表示关节位置。
进一步地,计算机器人的单连杆i的动量:
进一步地,计算机器人的机械臂总动能:
进一步地,计算机器人的单连杆势能:
进一步地,计算机器人的机械臂总势能:
综上,本实施例采用的矩阵可表示为:
继续参考图8,示出了根据本申请的机器人碰撞检测装置的力矩数据过滤的模块图,为了便于说明,仅示出与本申请相关的部分。
在本申请实施例二的一些可选的实现方式中,如图8所示,该装置还包括:数据过滤模块801;上述待检测数据生成模块104具体包括:数据生成单元1041。其中:
数据过滤模块801,用于对实时力矩数据采用滤波器进行过滤操作,得到过滤力矩数据;
数据生成单元1041,用于将驱动器数据、理论关节力矩值以及过滤力矩数据作为待检测数据。
在本实施例中,滤波器是实现所需频段的信号的通过,以及其他频段的信号的抑制,本实施例采用的滤波器用于对实时力矩数据的去噪声处理,过滤其存在的噪声,得到过滤后的过滤力矩数据,能够减少噪声的干扰,减少后续对该数据进行分析处理产生的误差,能够在一定程度上保证碰撞预测的准确率。
综上,本申请提供了一种机器人碰撞检测装置,包括:驱动器数据采集模块,用于当机器人处于工作状态时,采集机器人的驱动器数据;理论数据计算模块,用于对驱动器数据进行理论计算,输出理论关节力矩值;力矩数据采集模块,用于采集机器人的实时力矩数据;待检测数据生成模块,用于将驱动器数据、理论关节力矩值以及实时力矩数据作为待检测数据;结果预测模块,用于将待检测数据输入训练好的SVM碰撞预测模型中进行预测操作,得到预测结果。基于CANopen准确采集机器人的驱动器数据,并基于动力学算法以及摩擦补偿算法对驱动器数据进行计算,以获取理论关节力矩值;进而,对采集到的实时力矩数据采用滤波器进行过滤操作,以获取过滤力矩数据,并基于驱动器数据、过滤力矩数据以及理论关节力矩值生成待检测数据;然后,通过将基于获取到的训练样本数据对SVM基础模型进行训练后得到的SVM碰撞预测模型作为分析工具,对待检测数据进行分析预测,以得到待检测数据对应的预测结果。能够准确快速地获取到机器人的碰撞预测结果,有效防止事故发生,且计算复杂度低,从而提高预测效率。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图9,图9为本实施例计算机设备基本结构框图。
计算机设备9包括通过系统总线相互通信连接存储器91、处理器92、网络接口93。需要指出的是,图中仅示出了具有组件91-93的计算机设备9,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
存储器91至少包括一种类型的可读存储介质,可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器91可以是计算机设备9的内部存储单元,例如该计算机设备9的硬盘或内存。在另一些实施例中,存储器91也可以是计算机设备9的外部存储设备,例如该计算机设备9上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器91还可以既包括计算机设备9的内部存储单元也包括其外部存储设备。本实施例中,存储器91通常用于存储安装于计算机设备9的操作系统和各类应用软件,例如机器人碰撞检测方法的程序代码等。此外,存储器91还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器92在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器92通常用于控制计算机设备9的总体操作。本实施例中,处理器92用于运行存储器91中存储的程序代码或者处理数据,例如运行机器人碰撞检测方法的程序代码。
网络接口93可包括无线网络接口或有线网络接口,该网络接口93通常用于在计算机设备9与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,计算机可读存储介质存储有机器人碰撞检测程序,机器人碰撞检测程序可被至少一个处理器执行,以使至少一个处理器执行如上述的机器人碰撞检测方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种机器人碰撞检测方法,其特征在于,包括下述步骤:
当所述机器人处于工作状态时,采集所述机器人的驱动器数据;
对所述驱动器数据进行理论计算,输出理论关节力矩值;
采集所述机器人的实时力矩数据;
将所述驱动器数据、所述理论关节力矩值以及所述实时力矩数据作为待检测数据;
将所述待检测数据输入训练好的SVM碰撞预测模型中进行预测操作,得到预测结果。
2.根据权利要求1所述的机器人碰撞检测方法,其特征在于,在所述当所述机器人处于工作状态时,采集所述机器人的驱动器数据的步骤之前,所述方法还包括:
读取本地数据库,在所述本地数据库中获取用于预先构建好的SVM基础模型的训练样本数据;
将所述训练样本数据输入所述SVM基础模型中进行训练,得到训练好SVM碰撞检测模型。
3.根据权利要求1所述的机器人碰撞检测方法,其特征在于,所述对所述驱动器数据进行理论计算,输出理论关节力矩值的步骤具体包括:
基于动力学算法以及摩擦补偿算法对所述驱动器数据进行计算,输出理论关节力矩值。
4.根据权利要求1所述的机器人碰撞检测方法,其特征在于,采集所述机器人的实时力矩数据的步骤之后,所述方法还包括:
对实时力矩数据采用滤波器进行过滤操作,得到过滤力矩数据;
所述将所述驱动器数据、所述理论关节力矩值以及所述实时力矩数据作为待检测数据的步骤具体包括:
将所述驱动器数据、所述理论关节力矩值以及所述过滤力矩数据作为待检测数据。
5.一种机器人碰撞检测装置,其特征在于,包括:
驱动器数据采集模块,用于当所述机器人处于工作状态时,采集所述机器人的驱动器数据;
理论数据计算模块,用于对所述驱动器数据进行理论计算,输出理论关节力矩值;
力矩数据采集模块,用于采集所述机器人的实时力矩数据;
待检测数据生成模块,用于将所述驱动器数据、所述理论关节力矩值以及所述实时力矩数据作为待检测数据;
结果预测模块,用于将所述待检测数据输入训练好的SVM碰撞预测模型中进行预测操作,得到预测结果。
6.根据权利要求5所述的机器人碰撞检测装置,其特征在于,所述装置还包括:
样本数据获取模块,用于读取本地数据库,在所述本地数据库中获取用于预先构建好的SVM基础模型的训练样本数据;
模型训练模块,用于将所述训练样本数据输入所述SVM基础模型中进行训练,得到训练好SVM碰撞检测模型。
7.根据权利要求5所述的机器人碰撞检测装置,其特征在于,所述理论数据计算模块包括:
基于动力学算法以及摩擦补偿算法对所述驱动器数据进行计算,输出理论关节力矩值。
8.根据权利要求5所述的机器人碰撞检测装置,其特征在于,所述装置还包括:
数据过滤模块,用于对实时力矩数据采用滤波器进行过滤操作,得到过滤力矩数据;
所述待检测数据生成模块包括:
将所述驱动器数据、所述理论关节力矩值以及所述过滤力矩数据作为待检测数据。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的机器人碰撞检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的机器人碰撞检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011441096.7A CN114603599A (zh) | 2020-12-08 | 2020-12-08 | 一种机器人碰撞检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011441096.7A CN114603599A (zh) | 2020-12-08 | 2020-12-08 | 一种机器人碰撞检测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114603599A true CN114603599A (zh) | 2022-06-10 |
Family
ID=81855893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011441096.7A Pending CN114603599A (zh) | 2020-12-08 | 2020-12-08 | 一种机器人碰撞检测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114603599A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115389077A (zh) * | 2022-08-26 | 2022-11-25 | 法奥意威(苏州)机器人系统有限公司 | 碰撞检测方法、装置、控制设备及可读存储介质 |
CN115674190A (zh) * | 2022-09-30 | 2023-02-03 | 深圳市越疆科技有限公司 | 协作机械臂及其运动控制方法、碰撞检测方法、控制系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3297792A1 (de) * | 2015-05-20 | 2018-03-28 | Cavos Bagatelle Verwaltungs GmbH & Co. KG | Steuern und regeln von aktoren eines roboters unter berücksichtigung von umgebungskontakten |
CN108582070A (zh) * | 2018-04-17 | 2018-09-28 | 上海达野智能科技有限公司 | 机器人碰撞检测系统和方法、存储介质、操作系统 |
CN109732599A (zh) * | 2018-12-29 | 2019-05-10 | 深圳市越疆科技有限公司 | 一种机器人碰撞检测方法、装置、存储介质及机器人 |
CN110053043A (zh) * | 2019-03-05 | 2019-07-26 | 华南理工大学 | 一种工业机器人碰撞检测方法、装置、电子设备及介质 |
CN110625610A (zh) * | 2018-06-25 | 2019-12-31 | 西门子股份公司 | 确定机器人的末端执行器的运动轨迹的方法与装置、系统 |
EP3643454A1 (en) * | 2018-10-22 | 2020-04-29 | New Era Al Robotic Inc. | Anti-collision method for robot |
CN111226237A (zh) * | 2017-09-01 | 2020-06-02 | 加利福尼亚大学董事会 | 用于稳健抓取和瞄准物体的机器人系统和方法 |
CN111325287A (zh) * | 2020-03-17 | 2020-06-23 | 北京理工大学 | 一种仿人机器人脚触地检测方法 |
-
2020
- 2020-12-08 CN CN202011441096.7A patent/CN114603599A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3297792A1 (de) * | 2015-05-20 | 2018-03-28 | Cavos Bagatelle Verwaltungs GmbH & Co. KG | Steuern und regeln von aktoren eines roboters unter berücksichtigung von umgebungskontakten |
CN111226237A (zh) * | 2017-09-01 | 2020-06-02 | 加利福尼亚大学董事会 | 用于稳健抓取和瞄准物体的机器人系统和方法 |
CN108582070A (zh) * | 2018-04-17 | 2018-09-28 | 上海达野智能科技有限公司 | 机器人碰撞检测系统和方法、存储介质、操作系统 |
CN110625610A (zh) * | 2018-06-25 | 2019-12-31 | 西门子股份公司 | 确定机器人的末端执行器的运动轨迹的方法与装置、系统 |
EP3643454A1 (en) * | 2018-10-22 | 2020-04-29 | New Era Al Robotic Inc. | Anti-collision method for robot |
CN109732599A (zh) * | 2018-12-29 | 2019-05-10 | 深圳市越疆科技有限公司 | 一种机器人碰撞检测方法、装置、存储介质及机器人 |
CN110053043A (zh) * | 2019-03-05 | 2019-07-26 | 华南理工大学 | 一种工业机器人碰撞检测方法、装置、电子设备及介质 |
CN111325287A (zh) * | 2020-03-17 | 2020-06-23 | 北京理工大学 | 一种仿人机器人脚触地检测方法 |
Non-Patent Citations (2)
Title |
---|
王祎: "《虚拟现实中碰撞检测关键技术研究》", 吉林大学 * |
邵丹璐: "《基于残余动量的机械手臂故障检测与分类》", 中国计量学院, pages 2 - 5 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115389077A (zh) * | 2022-08-26 | 2022-11-25 | 法奥意威(苏州)机器人系统有限公司 | 碰撞检测方法、装置、控制设备及可读存储介质 |
CN115389077B (zh) * | 2022-08-26 | 2024-04-12 | 法奥意威(苏州)机器人系统有限公司 | 碰撞检测方法、装置、控制设备及可读存储介质 |
CN115674190A (zh) * | 2022-09-30 | 2023-02-03 | 深圳市越疆科技有限公司 | 协作机械臂及其运动控制方法、碰撞检测方法、控制系统 |
CN115674190B (zh) * | 2022-09-30 | 2024-05-07 | 深圳市越疆科技股份有限公司 | 协作机械臂及其运动控制方法、碰撞检测方法、控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Compare contact model-based control and contact model-free learning: A survey of robotic peg-in-hole assembly strategies | |
US20220221364A1 (en) | Sensor calibration method, apparatus, and device, data measurement method, apparatus, and device, and storage medium | |
Herzog et al. | Learning of grasp selection based on shape-templates | |
Mohamed et al. | Motion prediction methods for surrogate safety analysis | |
EP2224371A1 (en) | Artificial vision system and method for knowledge-based selective visual analysis | |
CN114603599A (zh) | 一种机器人碰撞检测方法、装置、计算机设备及存储介质 | |
CN104238562A (zh) | 用于经由可穿戴传感器控制机器人装置的方法和设备 | |
JP6248593B2 (ja) | 姿勢検出装置、姿勢検出方法および姿勢検出プログラム | |
US20230191606A1 (en) | Collision detection method, computer-readable storage medium, and robot | |
CN115847422A (zh) | 一种用于遥操作的姿态识别方法、装置及系统 | |
CN112757345A (zh) | 一种协作机器人碰撞检测方法、装置、介质及电子设备 | |
CN105068657A (zh) | 手势的识别方法及装置 | |
CN110774269B (zh) | 机器人拖动示教方法、装置、电子设备及存储介质 | |
CN103440277A (zh) | 一种动作模型特征库及其构建方法 | |
CN116160445A (zh) | 一种工业机器人末端负载动力学辨识方法及装置 | |
CN115767411A (zh) | 一种自学习无线信号定位方法、系统、设备及存储介质 | |
CN116330259A (zh) | 一种基于决策树的协作机器人碰撞检测方法 | |
Wang et al. | Uncertainty-propagated Cartesian coordinated human–robot collaboration on Riemannian manifold with hidden state-space model | |
Arief et al. | Test against high-dimensional uncertainties: Accelerated evaluation of autonomous vehicles with deep importance sampling | |
CN114518125B (zh) | 加速度计前进里程获取方法及应用 | |
CN118061201B (zh) | 一种机械臂关节运动的控制方法及装置 | |
CN116604535B (zh) | 应用于机器人产业链模块化设计的示教系统及方法 | |
Duan et al. | HRC of intelligent assembly system based on multimodal gesture control | |
CN115946130B (zh) | 基于黎曼流形的人机协同方法 | |
US20230182305A1 (en) | Cooperation System |
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 |