CN115609581B - 移动机器人控制及边缘计算方法和机器人控制器 - Google Patents

Abstract

本申请提供一种移动机器人控制及边缘计算方法和机器人控制器，其中机器人控制器通过工业通信总线与机器人各驱动器连接，机器人控制器分别向各个驱动器发送控制信息；机器人控制器还与机器人群控系统连接，用于实现与机器人群控系统进行机器人控制相关信息的传输。基于该机器人控制器，本说明书实施例提供机器人控制及边缘计算方法，只需机器人控制器与各个驱动器进行交互、基于边缘计算模块对运行采集数据进行提取，得到各项性能分析结果及参数预测结果，不仅简化了机器人架构，减少信号传输环节，还通过神经网络模型设置“类脑”控制实现机器人的自适应、更精准的“类人”化操作控制，通过边缘计算得到性能分析结果及预测维护。

Description

移动机器人控制及边缘计算方法和机器人控制器

技术领域

本申请涉及机器人智能控制领域，具体涉及一种机器人控制及边缘计算方法和机器人控制器。

背景技术

移动机器人应用越来越广泛。现有技术中移动机器人多采用移动平台和机械臂来实现机器人的移动以及机械臂的灵活操作。

现有机器人在移动平台和机械臂上分别设置对应的控制器，并且各个控制器间通过工业通信总线及各类I/O信号线束连接于最上层控制器。机器人操作过程中需由最上层的控制器分别向其他各个控制器发送处理指令，进而由各个控制器再将控制指令发送至各个伺服驱动器实现机器人的移动以及机械臂的操作。机器人系统架构复杂，繁琐，导致信号传输环节较多，造成机器人移动或者机械臂操作的可靠性降低，性能受限。另外各个控制器在机器人内部安装、布线导致机器人控制箱内空间拥挤，线束多而杂、信号干扰增加，可靠性降低，以及不利于散热。

因此，需要一种新的机器人控制器方案。

发明内容

有鉴于此，本说明书实施例提供一种机器人控制及边缘计算方法和机器人控制器，应用于机器人控制。

本说明书实施例提供以下技术方案：

本说明书实施例提供一种机器人控制器。

所述机器人控制器通过工业通信总线与机器人各驱动器直接连接，其中所述机器人控制器分别向各个所述驱动器发送控制信息；所述机器人控制器还与机器人群控系统连接，用于实现与所述机器人群控系统进行机器人控制相关信息的传输。

本说明书实施例还提供一种机器人控制方法，采用本说明书实施例提供的任一方案中的机器人控制器，所述机器人控制方法包括：

根据机器人动力学轨迹规划，机器人控制器CPU计算产生期望运动参数和期望控制量；

将所述期望运动参数和实际运动参数之差输入类脑控制单元，类脑控制单元产生的类脑控制量与所述期望控制量叠加以及与其他扰动量叠加，生成机器人控制量，从而控制移动平台和机械臂；其中所述类脑控制量经过神经网络模型迭代学习，通过所述类脑控制单元获得。

本说明书实施例还提供一种机器人边缘计算方法，采用本说明书实施例提供的任一方案所述的机器人控制器，所述机器人边缘计算方法包括：

通过边缘计算模块获取机器人各项运行采集数据；对所述运行采集数据进行分析及预测，得到各项性能分析结果及参数预测结果。

本说明书实施例还提供一种机器人控制及边缘计算系统，包括：存储器、处理器以及计算机程序，所述计算机程序存储在所述存储器中，所述处理器运行所述计算机程序执行本说明书实施例提供任一技术方案中机器人控制方法及机器人边缘计算方法。

本说明书实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本说明书中任一技术方案所述的机器人控制方法和实现本说明书中任一技术方案所述的机器人边缘计算方法。

与现有技术相比，本说明书实施例采用的上述至少一个技术方案能够达到的有益效果至少包括：

通过设置一个一体式的机器人控制器，即把原来分体存在的上位控制器、机械臂控制器和移动平台控制器等功能集成设计于该一体式机器人控制器内，该一体式机器人控制器与各个伺服驱动器通过工业通信总线交互数据，从而使系统架构简化，信号传输环节减少，系统整体结构紧凑、可靠性提高。

一体化控制器内增加了类脑控制单元，实现机器人的智能控制；更精准，性能更优。

还增加了AI学习单元，可对机器人运行时产生的相关运行数据进行分析，并得出相关参数的预测功能。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例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它的附图。

图1是本发明实施例提供的一种机器人控制器的典型应用图；

图2是本发明实施例类脑控制单元的硬件组成图；

图3是本发明实施例提供的一种机器人控制器硬件组成图；

图4是本发明实施例提供的一种机器人控制器内部整体结构图；

图5是本发明实施例提供的一种机器人控制器内部散热结构图；

图6是本发明实施例提供的一种机器人控制器侧边散热结构图；

图7是本发明实施例提供一种机器人控制方法的流程图；

图8是本发明实施例提供的类脑控制单元及其连接原理图；

图9是本发明实施例机器人控制器轨迹生成的原理图；

图10是本发明实施例提供的一种机器人边缘计算模块中的预测功能块的流程图；

图11是本发明实施例提供的一种机器人边缘计算流程图；

图12是本发明实施例提供的一种机器人控制装置结构图；

图13是本发明实施例提供的一种机器人边缘计算装置结构图；

图14是本发明实施例提供的一种机器人控制及边缘计算的系统结构图。

具体实施方式

下面结合附图对本申请实施例进行详细描述。

以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。显然，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。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本申请中的实施例，本领域普通技术人员在没有作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。

要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本申请，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目和方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践。

移动机器人通常包括机器人移动平台和机械臂，实现机器人控制的过程中需通过多个分体控制器连接于最上层控制器，数据信号需通过各个分体控制器的传输，最终实现移动平台移动和/或者机械臂动作的指令信息的传输。该控制过程信号传输环节多，且多个分体控制器与最上层控制器连接时需在机器人系统中布设复杂的布线线路，导致系统架构复杂；同时造成机器人控制器内部拥挤，不利于系统的整体散热，可靠性降低。

基于此，本说明书实施例提出了一种处理方案：图1是本发明实施例提供的一种机器人控制器的典型应用图，如图1所示，本发明实施例通过工业通信总线将机器人控制器(最上层机器人控制器)与机器人各驱动器连接，机器人控制器分别向各个驱动器发送控制信息，即仅通过一台机器人控制器完成各类信号的输入输出以及驱动控制，取消中间层控制器，简化机器人架构，结构紧凑集成度更高，减少数据信号传输环节。另外通过减少内部复杂的布线有利于机器人的整体散热，提高可靠性。同时通过“类脑”的控制单元构建学习模型，从而实现机器人的智能、高精度控制效果。

以下结合附图，说明本申请各实施例提供的技术方案。

参见图1，本说明书实施例通过工业通信总线将机器人控制器(如最高层机器人控制器)与机器人驱动器连接(如2个机器人主驱动轮驱动器和6个机器人机械臂关节驱动器)，从而实现机器人控制器分别向各个驱动器发送对应的控制信息，如机器人移动平台的移动控制信号及机器人机械臂动作的控制信息，从而实现机器人的控制，但取消了机器人中间层控制器，简化了机器人控制架构，结构紧凑集成度更高，减少数据信号传输环节。

该机器人控制器可与机器人群控系统实现无线连接，实现与群控系统的数据交互。

在一些实施例中，所述机器人控制器包括类脑控制单元，类脑控制单元包括FPGA芯片组和FLASHDISK及SDRAM芯片组。

在一些实施例中，所述机器人控制器通过DMA数据总线与所述类脑控制单元进行数据传输。

参见图2，图2是本发明实施例类脑控制单元的硬件组成图，如图2所示，本发明实施例中的“类脑”控制单元包括FPGA芯片组和FLASHDISK及SDRAM芯片组。一些实施例中，机器人控制器CPU通过DMA数据总线与所述类脑控制单元进行数据传输。

在一些实施例中，所述机器人控制器包括：所述类脑控制单元扩展槽。

在一些实施例中，所述机器人控制器设置于底板上，所述底板包括主板PCB和散热板，所述主板PCB和散热板间耦合设置，并且两者之间设置有导热硅脂。

在一些实施例中，所述机器人控制器包括：工控机核心板、运动控制板、WIFI模块/天线、通信接口、外部信号接口板、电源模组、其他接口、散热板、散热侧板、内存扩展槽及FLASHDISK(闪存硬盘)。

参见图3-图6，图3是本发明实施例提供的一种机器人控制器硬件组成图，图4是本发明实施例提供的一种机器人控制器内部整体结构图，图5和图6是本发明实施例提供的一种机器人控制器散热结构图。

如图3所示，本发明实施例的机器人控制器以工控机为核心，集成有外部信号接口板，运动控制板，通讯接口板，“类脑”控制单元，电源/电池管理及供电电路板，以及WIFI模块/天线，组成了完整的控制器硬件，还可接入视觉传感器，激光雷达传感器及超声波传感器，外部I/O开关信号，及模拟量接口。工控机核心板板载大容量RAM和FLASHDISK。通讯接口可与执行端伺服驱动器进行工业总线通信；同时还可以与外部其他工业总线接口交换数据。WIFI模块可允许连接外部其他设备，允许数据交换。电源/电池管理电路板对电池充放电状态及数据进行监控、采集。本发明实施例机器人控制器为一体式控制器并采用无风扇嵌入式设计，科学合理设计机器人控制器内部空间及元器件、PCB板布置，使热量能够及时散发出去。本发明实施例中将工作负荷较大的工控机CPU和“类脑”控制单元，均放置在底板主板PCB上，底板PCB本身和底板散热铝板紧密耦合在一起，中间层铺有导热硅脂。

如图4所示为本发明实施例提供的一种机器人控制器内部整体结构图。所述机器人控制器内部整体结构中包括“类脑”控制单元扩展槽01、工控机CPU02、Flash Disk03、运动控制卡04、内存扩展槽05、工业总线接口06、WIFI天线接口07、接口板08、散热侧板09、类脑控制单元010及CPU散热热管011。其中，所述运动控制卡04竖直安装于CPU主板的一侧边，背部紧贴所述散热侧板09，辅助散热及增加运动控制板安装强度。

另外，如图5所示，工控机CPU上的热量采取热管散热的方式引至侧面散热板以增大散热面积，如图5所示CPU散热热管011紧贴散热侧板09以增强散热效果。接口板竖直安装于CPU主板的一边，其背面设计各种接口。

如图6所示为工控机另一边散热侧板09。

主板上还设置有内存扩展插槽和“类脑”控制单元扩展槽，当需要进行更大算力、更多数据量的深度人工神经网络(即学习模型)进行“类脑”计算时，可通过该类脑控制单元扩展槽来扩展“类脑”控制单元。

在一些实施例中，机器人控制器还包括边缘计算模块，所述边缘计算模块在机器人控制器CPU内运行。具体机器人边缘计算系统包括处理器和存储器，处理器运行边缘计算算法程序，该边缘计算算法程序存储于存储器中。边缘计算模块构成的对应装置中包含运行电路及处理器，可包括提取模块和处理模块，边缘计算模块对应的算法在机器人控制器CPU内运行。

一些实施例中，该机器人控制器集成了机器人移动平台控制和机械臂的控制于一体，具有紧凑体积，节省机器人本体箱内空间的好处；有助于节约箱内空间，减少布线走线线束量，使箱内空间宽敞，良好通风。

本发明实施例中，设计了一体式机器人控制器，实现了传统机器人控制器中移动平台控制器、机械臂控制器、机器人本体控制器三种分离式控制器的所有功能于一体。该一体式机器人控制器与各个伺服驱动器通过工业通信总线交互数据，从而使系统架构简化，信号传输环节减少，系统整体结构紧凑、可靠性提高。

图7是本发明实施例提供的一种机器人控制方法流程图，如图7所示，本实施例的机器人控制方法可以包括步骤S610～步骤S620。其中，步骤S610、根据机器人动力学轨迹规划，机器人控制器CPU计算产生期望运动参数和期望控制量。步骤S620、将所述期望运动参数和实际运动参数之差输入类脑控制单元，类脑控制单元产生的类脑控制量与所述期望控制量叠加以及与其他扰动量叠加，生成机器人控制量，从而控制移动平台和机械臂；其中所述类脑控制量经过神经网络模型迭代学习，通过所述类脑控制单元获得。

具体地，步骤S610、根据机器人动力学轨迹规划，机器人控制器CPU计算产生期望运动参数和期望控制量。其中，期望运动参数表示为机器人执行移动和/或动作时指令运动参数，该期望运动参数可以通过动力学模型和轨迹规划模型获得。同时根据机器人动力学规划，机器人控制器CPU计算产生期望控制量。进而将机器人的期望运动参数与实际运动参数之差输入类脑控制单元。

步骤S620、将所述期望运动参数和实际运动参数之差输入类脑控制单元，类脑控制单元产生的类脑控制量与期望控制量叠加以及与其他扰动量叠加，生成机器人控制量，从而控制移动平台和机械臂；其中类脑控制量经过神经网络模型迭代学习，通过类脑控制单元获得。其中，实际运动参数包括当前时刻机器人移动平台移动和/或机械臂动作的具体参数。

机器人控制器设置类脑控制单元，并通过自主学习能力建立被控对象的特征模型(例如建立机器人移动平台和机械臂分别对应的特征模型)，从而纠正机器人控制器的控制输出，提升控制效果，增加“类人”智能。具体地，类脑控制单元由FPGA芯片组组成，集成设计有SDRAM，通过DMA数据总线与机器人控制器CPU进行数据交互。该机器人控制器根据其上运行的人工神经元单元的多少和要达到的人工神经网络计算的深度决定需要的FPGA芯片数量。将期望运动参数和实际运动参数之差输入类脑控制单元，由集成有类脑控制单元的机器人控制器可将期望控制量与类脑控制量叠加，并结合其他扰动量叠加，从而得到机器人控制量。其中类脑控制量经神经网络模型根据上述特征模型迭代学习，最后由类脑控制单元获得。该类脑控制量可对期望控制量进行适应性修正从而得到机器人控制量，通过神经网络不断优化学习最终可达到“类脑”的功能，可使机器人控制器的自适应控制能力提高，适应复杂场景作业的能力增强，执行复杂高难度的作业动作时精度能进一步得到保证，“类人”操作程度更高。

在一些实施例中，类脑控制量经过神经网络模型迭代学习，机器人控制方法还包括建立机器人机械臂与机器人移动平台对应的神经网络模型。本发明实施例以机器人移动平台和机械臂动作特性为例，但不限于此。具体结合图8，本说明书实施例通过类脑控制单元构建机器人机械臂与机器人移动平台对应神经网络模型的特征模型，该神经网络模型迭代学习产生类脑控制量，进而根据类脑控制量与期望控制量叠加及结合其他扰动量叠加，不断迭代学习生成机器人控制量。从而对机器人的动态建模要求降低，运动误差减小，动作协调性提高，“类人”操作程度更高。

类脑控制单元将期望运动参数与实际运动参数之差进行迭代学习产生类脑控制量，进而将类脑控制量与期望控制量叠加及与其他扰动叠加，生成机器人控制量，从而生成机器人控制量。

在一些实施例中，根据运行人工神经元单元的数量和人工神经网络计算的深度决定类脑控制单元需要的FPGA芯片数量。具体地，机器人控制器由类脑控制单元构成，类脑控制单元由FPGA芯片组组成，集成设计有SDRAM。根据运行的人工神经元单元的多少和要达到的人工神经网络计算的深度决定了需要的FPGA芯片数量。

本说明书实施例的一体化控制器内增加类脑控制单元，实现机器人的智能控制，更精准、性能更优。

在一些实施例如图9所示，机器人控制器运行机器人操作系统，并将多传感器信号输入进行融合处理。基于安装于机械臂的相机传感器坐标系，以及机械臂本体坐标系，在操作系统中，分别设计了坐标转换节点，用以对生成的机械臂关节动作轨迹进行坐标转换，从而生成各个伺服驱动器直接可用的控制指令。机器人控制器对传感器信号进行融合处理之后，生成运动逻辑和轨迹规划。轨迹规划结果参数和传感器信号融合结果参数均可以在内部数据总线可以被“类脑”控制单元即时读取。而且机器人通信接口用于接收来自上位机器人群控系统的调度指令，也用于发送控制指令到移动平台行走轮和机械臂关节伺服驱动器。

在一些实施例中，结合上述机器人控制器，本说明书实施例提供一种机器人边缘计算方法，如图10所示，该机器人边缘计算方法包括步骤S910～步骤S920。其中，步骤S910、通过边缘计算模块获取机器人各项运行采集数据。步骤S920、对所述运行采集数据进行分析及预测，得到各项性能分析结果及参数预测结果。

本说明书实施例的控制器集成边缘计算算法模块，运行于ROS环境下，作为ROS系统的一个节点存在。控制器主板内置大容量FLASHDISK硬盘，能存储海量历史运行数据作为边缘计算数据库使用。通过边缘计算模块，采用如图11的边缘计算流程图，对机器人运行采集数据进行数据提取、分析及预测，最终得到电池衰减曲线预测，机器人总耗能曲线，移动平台性能分析及预测，机械臂性能分析及预测，机器人潜在故障分析等结果，作为对机器人运行状况监控以及预测维护的依据。

具体地，通过边缘计算模块获取机器人各项运行采集数据。其中，运行采集数据可以包括诸如，电池电压，电池电流，机器人运行参数如各关节速度，行走速度，关节转矩，电机电流等至少一组参数。获取机器人各项运行采集数据用于为后续机器人数据分析、学习、AI算法等过程提供输入参数。进而通过边缘算法对运行采集数据分析、学习及预测得到各项性能分析结果及参数预测结果。

相比于现有技术采用边缘计算模块，对移动机器人运行采集数据进行提取，进而进行分析及预测。本说明书实施例通过在控制器主板内置大容量FLASHDISK硬盘来存储海量历史运行数据，进而采用边缘计算对数据进行处理，实现更加深入的数据分析及预测，最终可获得各项性能分析结果和参数预测结果。

在一些实施例中，机器人边缘计算方法还包括：通过显示屏显示所述性能分析及预测结果。具体结合上述实施例，将各性能分析及预测结果在显示屏上进行实时显示，以便及时获得。

图12是本发明实施例提供的一种机器人控制装置示意图，如图12所示，本发明实施例机器人控制装置110包括：

获取模块1110，用于根据机器人动力学轨迹规划，机器人控制器CPU计算产生期望运动参数和期望控制量；

控制模块1120，用于将所述期望运动参数和实际运动参数之差输入类脑控制单元，类脑控制单元产生的类脑控制量与所述期望控制量叠加以及与其他扰动量叠加，生成机器人控制量，从而控制移动平台和机械臂；其中所述类脑控制量经过神经网络模型迭代学习，通过所述类脑控制单元获得。

图13是本发明实施例提供的一种机器人边缘计算装置示意图，如图13所示，所述机器人边缘计算装置120包括：

提取模块1210，用于通过边缘计算模块获取机器人各项运行采集数据；

处理模块1220，用于对所述运行采集数据进行分析及预测，得到各项性能分析结果及参数预测结果。

图14是本说明书实施例提供的一种机器人控制及边缘计算系统的结构示意图，如图14所示，该系统130包括：处理器1310、存储器1320和计算机程序；其中

存储器1320，用于存储所述计算机程序，该存储器还可以是闪存(flash)。所述计算机程序例如是实现上述方法的应用程序、功能模块等。

处理器1310，用于执行所述存储器存储的计算机程序，以实现上述方法中设备执行的各个步骤。具体可以参见前面方法实施例中的相关描述。

可选地，存储器1320既可以是独立的，也可以跟处理器1310集成在一起。

当所述存储器1320是独立于处理器1310之外的器件时，所述设备还可以包括：

总线1330，用于连接所述存储器1320和处理器1310。

本发明还提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现上述的各种实施方式提供的方法。

本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。

在上述设备的实施例中，应理解，处理器可以是中央处理单元(英文：CentralProcessing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：DigitalSignal Processor，简称：DSP)、专用集成电路(英文：Application Specific IntegratedCircuit，简称：ASIC)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。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例侧重说明的都是与其他实施例的不同之处。尤其，对于后面说明的产品实施例而言，由于其与方法是对应的，描述比较简单，相关之处参见系统实施例的部分说明即可。以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (11)

1.一种机器人控制器，其特征在于，所述机器人控制器通过工业通信总线与机器人各驱动器连接，其中所述机器人控制器分别向各个所述驱动器发送控制信息；所述机器人控制器还与机器人群控系统连接，用于实现与所述机器人群控系统进行机器人控制相关信息的传输；

所述机器人控制器包括类脑控制单元；

其中，据机器人动力学轨迹规划，机器人控制器CPU计算产生期望运动参数和期望控制量；将所述期望运动参数和实际运动参数之差输入类脑控制单元，类脑控制单元产生的类脑控制量与所述期望控制量叠加以及与扰动量叠加，生成机器人控制量，以控制移动平台和机械臂；其中，所述期望运动参数表示为机器人执行移动和/或动作时指令运动参数，所述期望运动参数通过动力学模型和轨迹规划模型获得；

其中所述类脑控制量经过神经网络模型迭代学习，通过所述类脑控制单元获得；

其中，机器人控制器运行机器人操作系统，将多传感器信号输入进行融合处理；基于安装于机械臂的相机传感器坐标系，以及机械臂本体坐标系，在操作系统中，分别设计了坐标转换节点，用以对生成的机械臂关节动作轨迹进行坐标转换，从而生成各个伺服驱动器直接用的控制指令；机器人控制器对传感器信号进行融合处理之后，生成运动逻辑和轨迹规划；轨迹规划结果参数和传感器信号融合结果参数均在内部数据总线被“类脑”控制单元即时读取；而且机器人通信接口用于接收来自上位机器人群控系统的调度指令，也用于发送控制指令到移动平台行走轮和机械臂关节伺服驱动器；其中，控制器集成边缘计算算法模块，运行于ROS环境下，作为ROS系统的一个节点存在；控制器主板内置大容量FLASHDISK硬盘，能存储海量历史运行数据作为边缘计算数据库使用；通过边缘计算模块，对机器人运行采集数据进行数据提取、分析及预测，最终得到电池衰减曲线预测、机器人总耗能曲线、移动平台性能分析及预测、机械臂性能分析及预测、机器人潜在故障分析结果，作为对机器人运行状况监控以及预测维护的依据；

通过边缘计算模块获取机器人各项运行采集数据；其中，运行采集数据包括电池电压、电池电流，机器人运行参数中各关节速度、行走速度、关节转矩、电机电流至少一组参数；获取机器人各项运行采集数据用于为后续机器人数据分析、学习、AI算法过程提供输入参数；进而通过边缘算法对运行采集数据分析、学习及预测得到各项性能分析结果及参数预测结果。

2.根据权利要求1所述的机器人控制器，其特征在于，所述类脑控制单元包括FPGA芯片组和FLASHDISK及SDRAM芯片组。

3.根据权利要求2所述的机器人控制器，其特征在于，所述机器人控制器CPU通过DMA数据总线与所述类脑控制单元进行数据传输。

4.根据权利要求1所述的机器人控制器，其特征在于，所述机器人控制器包括：类脑控制单元扩展槽；

还包括：边缘计算模块，所述边缘计算模块在机器人控制器CPU内运行。

5.根据权利要求1所述的机器人控制器，其特征在于，所述机器人控制器设置有底板，所述底板包括主板PCB和散热板，所述主板PCB和散热板间耦合设置，并且所述主板PCB和所述散热板间设置有导热硅脂。

6.根据权利要求1所述的机器人控制器，其特征在于，所述机器人控制器包括：工控机核心板、运动控制卡、WIFI模块/天线、通讯接口、外部信号接口板、电源模组、散热管、散热侧板、内存扩展槽及Flash Disk。

7.一种机器人控制方法，其特征在于，采用如权利要求1-6中任一项所述的机器人控制器，所述机器人控制方法包括：

根据机器人动力学轨迹规划，机器人控制器CPU计算产生期望运动参数和期望控制量；

将所述期望运动参数和实际运动参数之差输入类脑控制单元，类脑控制单元产生的类脑控制量与所述期望控制量叠加以及与扰动量叠加，生成机器人控制量，以控制移动平台和机械臂；其中所述类脑控制量经过神经网络模型迭代学习，通过所述类脑控制单元获得。

8.根据权利要求7所述的机器人控制方法，其特征在于，所述机器人控制方法还包括：

建立机器人机械臂与机器人移动平台对应的神经网络模型。

9.根据权利要求7所述的机器人控制方法，其特征在于，所述机器人控制方法还包括：

根据运行人工神经元单元的数量和人工神经网络计算的深度决定类脑控制单元需要的FPGA芯片数量。

10.一种机器人边缘计算方法，其特征在于，采用如权利要求1-6中任一项所述的机器人控制器，所述机器人边缘计算方法包括：

通过边缘计算模块获取机器人各项运行采集数据；对所述运行采集数据进行分析及预测，得到各项性能分析结果及参数预测结果。

11.根据权利要求10所述的机器人边缘计算方法，其特征在于，所述机器人边缘计算方法还包括：通过显示屏显示所述性能分析结果及所述参数预测结果。