CN115755698A - 一种机器人的运动控制方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及机器人控制技术，揭露了一种机器人的运动控制方法，包括：获取运动机器人在多种测试环境中的历史功耗参数集、历史运转参数集以及历史形态参数集；计算出历史形态参数集对应的历史运动评估参数集，为每种测试环境建立环境能效模型和环境运动模型；利用运动机器人的摄像组件实时获取运动环境图片，从运动环境图片中提取出环境特征，并根据环境特征匹配出实时环境；根据环境能效模型和环境运动模型建立实时环境下的运动能效模型，从运动能效模型中提取出目标功耗系数，并根据目标功耗系数控制运动机器人进行运动。本发明还提出一种机器人的运动控制装置、电子设备以及存储介质。本发明可以提高机器人运动控制时的能效比。

Description

一种机器人的运动控制方法、装置、设备及存储介质

技术领域

本发明涉及机器人控制技术领域，尤其涉及一种机器人的运动控制方法、装置、电子设备及计算机可读存储介质。

背景技术

随着科学技术的发展，越来越多的机器人开始走进人们的生活，活跃在越来越多的工作场景，机器人能够进行大量重复性的工作，有效地减少人力资源，但为了利用机器人进行更加精确地工作，需要对机器人进行运动控制。

现有的机器人运动控制技术多为基于简单的步长周期控制，进而实现机器人的运动控制。例如，为机器人的每个运动电机设定的同步的运转步长，从而实现机器人的运动，实际应用中，基于简单的步长周期控制的运动控制技术无法适配复杂的运动环境，可能导致运动速度较慢、运动振幅较大等情况，从而导致进行机器人运动控制时的能效比较低。

发明内容

本发明提供一种机器人的运动控制方法、装置及计算机可读存储介质，其主要目的在于解决进行机器人运动控制时的能效比较低的问题。

为实现上述目的，本发明提供的一种机器人的运动控制方法，包括：

获取运动机器人在多种测试环境中的历史功耗参数集、历史运转参数集以及历史形态参数集；

根据所述历史功耗参数集和所述历史运转参数集为每种测试环境建立环境能效模型，其中，所述根据所述历史功耗参数集和所述历史运转参数集为每种测试环境建立环境能效模型，包括：

逐个选取测试环境作为目标测试环境，利用如下的功率转速公式为所述目标测试环境建立初始能效模型：

其中，w是指所述目标测试环境对应的车轮转速，G是指所述目标测试环境对应的工作功率，π是指圆周率，N是指扭矩系数，a是指所述目标测试环境对应的一级功耗损失系数，b是指所述目标测试环境对应的二级功耗损失系数，c是指所述目标测试环境对应的三级功耗损失系数；

从所述历史功耗参数集中筛选出与所述目标测试环境对应的工作功率集合作为目标环境功率集合，从所述历史运转参数集中筛选出所述目标环境功率集合对应的车轮转速集合作为目标环境转速集合；

利用所述目标环境功率集合和所述目标环境转速集合对所述初始能效模型进行训练，得到所述目标测试环境的环境能效模型；

利用预设的运动评估算法计算出所述历史形态参数集对应的历史运动评估参数集，根据所述历史运动评估参数集和所述历史运转参数集为每种测试环境建立环境运动模型；

利用所述运动机器人的摄像组件实时获取运动环境图片，从所述运动环境图片中提取出环境特征，并根据所述环境特征匹配出实时环境；

根据所述环境能效模型和所述环境运动模型建立所述实时环境下的运动能效模型，从所述运动能效模型中提取出目标功耗系数，并根据所述目标功耗系数控制所述运动机器人进行运动。

可选地，所述获取运动机器人在多种测试环境中的历史功耗参数集、历史运转参数集以及历史形态参数集，包括：

利用与所述运动机器人的运动电机组相连的功率计获取多种测试环境中的历史功耗参数集；

利用安装在所述运动机器人的车轮组件周围的霍尔传感器和光感传感器获取多种测试环境中的历史运转参数集；

利用安装在所述运动机器人的重心位置的状态传感器组件获取多种测试环境中的历史形态参数集。

可选地，所述利用安装在所述运动机器人的车轮组件周围的霍尔传感器和光感传感器获取多种测试环境中的历史运转参数集，包括：

逐个选取测试环境作为目标测试环境，逐个选取所述目标测试环境中的一次测试作为目标测试；

利用所述霍尔传感器获取所述目标测试过程中所述运动机器人的车轮组件产生的霍尔脉冲曲线，利用所述光感传感器获取所述车轮组件产生的光电脉冲曲线；

通过利用如下车轮运转算法根据所述霍尔脉冲曲线以及所述光电脉冲曲线计算出所述目标测试的车轮转速曲线，并将所有的所述车轮转速曲线汇集成历史运转参数集：

其中，r_i是指所述车轮转速曲线中i时刻的转速值，i是指所述车轮转速曲线中的第i时刻，ceiling是向上取整符号，α是指所述霍尔脉冲曲线中所述车轮组件旋转一圈时的脉冲数，T_i是指所述霍尔脉冲曲线中第i时刻的脉冲频率，β是指所述光电脉冲曲线中所述车轮组件旋转一圈时的脉冲数，

是指所述光电脉冲曲线中第i时刻的脉冲频率，sign是取符号函数，t₀是指所述霍尔脉冲曲线与所述光电脉冲曲线中最初的区间的脉冲值。

可选地，所述利用预设的运动评估算法计算出所述历史形态参数集对应的历史运动评估参数集，包括：

逐个选取所述历史形态参数集中的运动传感集合作为目标传感集合，逐个选取所述目标传感集合中的运动传感数据组作为目标传感数据组；

利用预设的运动评估算法根据所述目标传感数据组中的移动速度曲线、移动加速度曲线、角速度曲线、振动幅度曲线以及摔倒次数计算出所述目标传感数据组对应的运动评估参数，并将所有的所述运动评估参数汇集成历史运动评估参数集：

其中，P是指所述运动评估参数，m是指所述目标传感数据组对应的测试总时长，j是指所述目标传感数据组对应的第j时刻，v_j是指所述移动速度曲线中第j时刻对应的速度值，u_j是指所述角速度曲线中第j时刻对应的角速度值，e_j是指所述振动幅度曲线中第j时刻对应的振幅值，y是指所述摔倒次数，ε是预设的速度权重、θ是预设的角速度权重、γ是预设的振幅权重。

可选地，所述根据所述历史运动评估参数集和所述历史运转参数集为每种测试环境建立环境运动模型，包括：

逐个选取测试环境作为目标测试环境，利用如下的运动状态公式为所述目标测试环境建立初始运动模型：

其中，P是指所述目标测试环境对应的运动评估参数,w是指所述目标测试环境对应的车轮转速，π是指圆周率，R是指所述运动机器人的车轮半径，ρ是所述目标测试环境对应的摩擦系数，o是指预设的角速度系数，A是指所述目标测试环境对应的振幅系数，τ是指预设的振幅位移，ε是指所述速度权重、θ是指所述角速度权重、γ是指所述振幅权重；

从所述历史运动评估参数集中筛选出与所述目标测试环境对应的环境评估参数集合作为目标环境评估参数集合，从所述历史运转参数集中筛选出所述目标环境功率集合对应的车轮转速集合作为目标环境转速集合；

利用所述目标环境评估参数集合和所述目标环境转速集合对所述初始运动模型进行训练，得到所述目标测试环境的环境运动模型。

可选地，所述从所述运动环境图片中提取出环境特征，并根据所述环境特征匹配出实时环境，包括：

对所述运动环境图片依次进行图像二值化以及图像去噪操作，得到标准环境图片；

利用预设的一级卷积层提取出所述标准环境图片的初始环境特征，并利用预设的次级卷积层提取出所述标准环境图片的次级环境特征；

对所述初始环境特征与所述次级环境特征依次进行特征融合与池化操作，得到环境特征；

对所述环境特征进行归一化操作，得到环境语义，并根据所述环境语义在预设的环境库中匹配出实时环境。

可选地，所述根据所述环境能效模型和所述环境运动模型建立所述实时环境下的运动能效模型，包括：

将所述实时环境对应的所述环境能效模型作为目标能效模型，将所述实时环境对应的所述环境运动模型作为目标运动模型；

将所述目标能效模型中的车轮转速带入所述目标运动模型，得到所述实时环境对应的运动能效模型。

为了解决上述问题，本发明还提供一种机器人的运动控制装置，所述装置包括：

参数获取模块，用于获取运动机器人在多种测试环境中的历史功耗参数集、历史运转参数集以及历史形态参数集；

能效模型模块，用于根据所述历史功耗参数集和所述历史运转参数集为每种测试环境建立环境能效模型，其中，所述根据所述历史功耗参数集和所述历史运转参数集为每种测试环境建立环境能效模型，包括：

逐个选取测试环境作为目标测试环境，利用如下的功率转速公式为所述目标测试环境建立初始能效模型：

其中，w是指所述目标测试环境对应的车轮转速，G是指所述目标测试环境对应的工作功率，π是指圆周率，N是指扭矩系数，a是指所述目标测试环境对应的一级功耗损失系数，b是指所述目标测试环境对应的二级功耗损失系数，c是指所述目标测试环境对应的三级功耗损失系数；

从所述历史功耗参数集中筛选出与所述目标测试环境对应的工作功率集合作为目标环境功率集合，从所述历史运转参数集中筛选出所述目标环境功率集合对应的车轮转速集合作为目标环境转速集合；

利用所述目标环境功率集合和所述目标环境转速集合对所述初始能效模型进行训练，得到所述目标测试环境的环境能效模型；

运动模型模块，用于利用预设的运动评估算法计算出所述历史形态参数集对应的历史运动评估参数集，根据所述历史运动评估参数集和所述历史运转参数集为每种测试环境建立环境运动模型；

环境识别模块，用于利用所述运动机器人的摄像组件实时获取运动环境图片，从所述运动环境图片中提取出环境特征，并根据所述环境特征匹配出实时环境；

功耗匹配模块，用于根据所述环境能效模型和所述环境运动模型建立所述实时环境下的运动能效模型，从所述运动能效模型中提取出目标功耗系数，并根据所述目标功耗系数控制所述运动机器人进行运动。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的机器人的运动控制方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的机器人的运动控制方法。

本发明实施例通过获取运动机器人在多种测试环境中的历史功耗参数集、历史运转参数集以及历史形态参数集，能够对运动机器人运动过程中的工作功率、实际车轮转速以及实际运动状态等参数进行计量，从而方便后续对所述运动机器人的运动状态的模拟，进而找到最为节能高效的运动方式，通过根据所述历史功耗参数集和所述历史运转参数集为每种测试环境建立环境能效模型，能够有效地表征所述运动机器人在每种工作环境中的工作功耗与车轮转速之间的关系，方便后续为每种工作环境匹配最佳能效的工作功率；通过利用预设的运动评估算法根据所述目标传感数据组中的移动速度曲线、角速度曲线、振动幅度曲线以及摔倒次数计算出所述目标传感数据组对应的运动评估参数，能够在多个维度对运动机器人的运动状态进行表征，并通过运动评估参数的数值大小表示运动机器人运动状态的优劣；

通过利用所述运动状态公式为所述目标测试环境建立初始运动模型，能够建立起所述运动评估参数与所述车轮转速之间的关系曲线，从而方便匹配出适合各种环境的车轮转速，通过利用所述运动机器人的摄像组件实时获取运动环境图片，从所述运动环境图片中提取出环境特征，并根据所述环境特征匹配出实时环境，能够帮助所述运动机器人实时识别所处的环境，进而方便后续切换工作功耗，以适应不同的环境，通过根据所述环境能效模型和所述环境运动模型建立所述实时环境下的运动能效模型，能够得到所述实时环境下所述运动机器人的工作功率与所述运动评估参数之间的关系，通过从所述运动能效模型中提取出目标功耗系数，并根据所述目标功耗系数控制所述运动机器人进行运动，能够确保所述运动机器人在各种环境中都能最佳的运动形态进行运动，提高了所述运动机器人的运动能效比。因此本发明提出的机器人的运动控制方法、装置、电子设备及计算机可读存储介质，可以解决进行机器人运动控制时的能效比较低的问题。

附图说明

图1为本发明一实施例提供的机器人的运动控制方法的流程示意图；

图2为本发明一实施例提供的建立环境能效模型的流程示意图；

图3为本发明一实施例提供的匹配实时环境的流程示意图；

图4为本发明一实施例提供的机器人的运动控制装置的功能模块图；

图5为本发明一实施例提供的实现所述机器人的运动控制方法的电子设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种机器人的运动控制方法。所述机器人的运动控制方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述机器人的运动控制方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示，为本发明一实施例提供的机器人的运动控制方法的流程示意图。在本实施例中，所述机器人的运动控制方法包括：

S1、获取运动机器人在多种测试环境中的历史功耗参数集、历史运转参数集以及历史形态参数集；

本发明实施例中，所述运动机器人可以是由基于X86架构的操作控制进行控制编程的拥有多个运动电机的机器人，且所述运动机器人可以在复杂的地理环境中进行作业。

详细地，所述测试环境包括粗糙地面环境、平滑地面环境、泥泞地面环境以及冰雪地面环境等环境。

详细地，所述历史功耗参数集是由多个在不同测试环境中所述运动机器人的运动电机组的工作功率集合汇集成的数据集，且每个所述工作功率集合包含一种测试环境对应的多个工作功率数据组，每个工作功率数据组代表了一次测试中所述运动机器人的运动电机组的工作功率曲线。

具体地，所述历史运转参数集是由多个在不同测试环境中所述运动机器人的车轮组的车轮转速集合汇集成的数据集，且每个所述车轮转速集合中包含一种测试环境对应的多个车轮转速数据组，每个车轮转速数据组代表了一次测试中所述运动机器人的各个车轮的转速曲线。

详细地，所述历史形态参数集是由多个在不同测试环境中所述运动机器人的运动传感集合汇集成的数据集，且每个所述运动传感集合中包含一种测试环境对应的多个运动传感数据组，且每个运动传感数据组代表了一次测试中所述运动机器人的各项运动状态，例如，所述运动机器人的移动速度曲线、角速度曲线、振动幅度曲线以及摔倒次数。

本发明实施例中，所述获取运动机器人在多种测试环境中的历史功耗参数集、历史运转参数集以及历史形态参数集，包括：

利用与所述运动机器人的运动电机组相连的功率计获取多种测试环境中的历史功耗参数集；

利用安装在所述运动机器人的车轮组件周围的霍尔传感器和光感传感器获取多种测试环境中的历史运转参数集；

利用安装在所述运动机器人的重心位置的状态传感器组件获取多种测试环境中的历史形态参数集。

详细地，所述功率计可以是JDSU MP-60/80微型功率计或者是YJ-320A/C微型功率计，所述霍尔传感器可以是MLX92292微型霍尔传感器或者是A1212LLHLT-T微型霍尔传感器，所述光感传感器可以是QL10超薄光感传感器或者是EX-11A超薄光感传感器，所述状态传感器组件包括速度传感器、角速度传感器、激光振动感应器以及应力感应器。

详细地，所述利用安装在所述运动机器人的车轮组件周围的霍尔传感器和光感传感器获取多种测试环境中的历史运转参数集，包括：

逐个选取测试环境作为目标测试环境，逐个选取所述目标测试环境中的一次测试作为目标测试；

利用所述霍尔传感器获取所述目标测试过程中所述运动机器人的车轮组件产生的霍尔脉冲曲线，利用所述光感传感器获取所述车轮组件产生的光电脉冲曲线；

通过利用如下车轮运转算法根据所述霍尔脉冲曲线以及所述光电脉冲曲线计算出所述目标测试的车轮转速曲线，并将所有的所述车轮转速曲线汇集成历史运转参数集：

其中，r_i是指所述车轮转速曲线中i时刻的转速值，i是指所述车轮转速曲线中的第i时刻，ceiling是向上取整符号，α是指所述霍尔脉冲曲线中所述车轮组件旋转一圈时的脉冲数，T_i是指所述霍尔脉冲曲线中第i时刻的脉冲频率，β是指所述光电脉冲曲线中所述车轮组件旋转一圈时的脉冲数，

是指所述光电脉冲曲线中第i时刻的脉冲频率，sign是取符号函数，t₀是指所述霍尔脉冲曲线与所述光电脉冲曲线中最初的区间的脉冲值。

详细地，通过利用所述车轮运转算法根据所述霍尔脉冲曲线以及所述光电脉冲曲线计算出所述目标测试的车轮转速曲线，能够通过霍尔脉冲曲线与光电脉冲曲线计算出车轮转速，确保了车轮转速的准确性。

本发明实施例中，通过获取运动机器人在多种测试环境中的历史功耗参数集、历史运转参数集以及历史形态参数集，能够对运动机器人运动过程中的工作功率、实际车轮转速以及实际运动状态等参数进行计量，从而方便后续对所述运动机器人的运动状态的模拟，进而找到最为节能高效的运动方式。

S2、根据所述历史功耗参数集和所述历史运转参数集为每种测试环境建立环境能效模型；

本发明实施例中，所述环境能效模型是用于描述不同测试环境下所述运动机器人的电机输出功率与所述运动机器人的车轮运转速度之间关系的模型，其中，不同的测试环境中，所述运动机器人运转时受到的阻力与摩擦力不同，会造成电机输出功率与车轮运转速度之间的关系不同。

本发明实施例中，参照图2所示，所述根据所述历史功耗参数集和所述历史运转参数集为每种测试环境建立环境能效模型，包括：

S21、逐个选取测试环境作为目标测试环境，利用如下的功率转速公式为所述目标测试环境建立初始能效模型：

其中，w是指所述目标测试环境对应的车轮转速，G是指所述目标测试环境对应的工作功率，π是指圆周率，N是指扭矩系数，a是指所述目标测试环境对应的一级功耗损失系数，b是指所述目标测试环境对应的二级功耗损失系数，c是指所述目标测试环境对应的三级功耗损失系数；

S22、从所述历史功耗参数集中筛选出与所述目标测试环境对应的工作功率集合作为目标环境功率集合，从所述历史运转参数集中筛选出所述目标环境功率集合对应的车轮转速集合作为目标环境转速集合；

S23、利用所述目标环境功率集合和所述目标环境转速集合对所述初始能效模型进行训练，得到所述目标测试环境的环境能效模型。

详细地，所述扭矩系数是指所述运动机器人的运动电机组到车轮的扭矩，所述一级功耗损失系数、所述二级功耗损失系数以及所述三级功耗损失系数是用来表征所述目标测试环境中运动电机组的功率损耗的系数。

详细地，通过利用所述功率转速公式为所述目标测试环境建立初始能效模型，能够利用多项式函数模拟工作功率与实际转速之间的关系，更加准确的表征动能损失。

具体地，所述利用所述目标环境功率集合和所述目标环境转速集合对所述初始能效模型进行训练，得到所述目标测试环境的环境能效模型，包括：逐个选取所述目标环境功率集合中的工作功率数据组作为目标工作功率数据组，从所述目标环境转速集合中筛选出与所述目标工作功率数据组对应的车轮转速数据组作为目标车轮转速数据组；逐个选取所述目标功率数据组中的工作功率作为目标工作功率，从所述目标车轮转速数据组中筛选出与所述目标工作功率对应的车轮转速作为目标车轮转速；逐个将所述目标工作功率与所述目标车轮转速带入所述初始能效模型中，求解出所述一级功耗损失系数、所述二级功耗损失系数以及所述三级功耗损失系数的真实值，并利用求解出的所述真实值对所述初始能效模型进行更新，得到所述目标测试环境的环境能效模型。

本发明实施例中，通过根据所述历史功耗参数集和所述历史运转参数集为每种测试环境建立环境能效模型，能够有效地表征所述运动机器人在每种工作环境中的工作功耗与车轮转速之间的关系，方便后续为每种工作环境匹配最佳能效的工作功率。

S3、利用预设的运动评估算法计算出所述历史形态参数集对应的历史运动评估参数集，根据所述历史运动评估参数集和所述历史运转参数集为每种测试环境建立环境运动模型；

本发明实施例中，所述历史运动评估参数集包含多个在不同测试环境中的环境评估参数集合，且每个所述环境评估参数集合中包含一种测试环境对应的多个运动评估参数，其中，所述环境评估参数集合与运动传感集合一一对应，所述运动评估参数与一组运动传感数据组一一对应。

本发明实施例中，所述利用预设的运动评估算法计算出所述历史形态参数集对应的历史运动评估参数集，包括：

逐个选取所述历史形态参数集中的运动传感集合作为目标传感集合，逐个选取所述目标传感集合中的运动传感数据组作为目标传感数据组；

利用预设的运动评估算法根据所述目标传感数据组中的移动速度曲线、移动加速度曲线、角速度曲线、振动幅度曲线以及摔倒次数计算出所述目标传感数据组对应的运动评估参数，并将所有的所述运动评估参数汇集成历史运动评估参数集：

其中，P是指所述运动评估参数，m是指所述目标传感数据组对应的测试总时长，j是指所述目标传感数据组对应的第j时刻，v_j是指所述移动速度曲线中第j时刻对应的速度值，u_j是指所述角速度曲线中第j时刻对应的角速度值，e_j是指所述振动幅度曲线中第j时刻对应的振幅值，y是指所述摔倒次数，ε是预设的速度权重、θ是预设的角速度权重、γ是预设的振幅权重。

详细地，所述速度权重、所述角速度权重以及所述振幅权重是预先由人工配置的。

详细地，通过利用预设的运动评估算法根据所述目标传感数据组中的移动速度曲线、角速度曲线、振动幅度曲线以及摔倒次数计算出所述目标传感数据组对应的运动评估参数，能够在多个维度对运动机器人的运动状态进行表征，并通过运动评估参数的数值大小表示运动机器人运动状态的优劣。

本发明实施例中，所述根据所述历史运动评估参数集和所述历史运转参数集为每种测试环境建立环境运动模型，包括：

逐个选取测试环境作为目标测试环境，利用如下的运动状态公式为所述目标测试环境建立初始运动模型：

其中，P是指所述目标测试环境对应的运动评估参数,w是指所述目标测试环境对应的车轮转速，π是指圆周率，R是指所述运动机器人的车轮半径，ρ是所述目标测试环境对应的摩擦系数，o是指预设的角速度系数，A是指所述目标测试环境对应的振幅系数，τ是指预设的振幅位移，ε是指所述速度权重、θ是指所述角速度权重、γ是指所述振幅权重；

从所述历史运动评估参数集中筛选出与所述目标测试环境对应的环境评估参数集合作为目标环境评估参数集合，从所述历史运转参数集中筛选出所述目标环境功率集合对应的车轮转速集合作为目标环境转速集合；

利用所述目标环境评估参数集合和所述目标环境转速集合对所述初始运动模型进行训练，得到所述目标测试环境的环境运动模型。

详细地，所述角速度系数可以通过计算所述移动速度曲线与所述角速度曲线之间的关系得到，所述振幅系数是指振幅被放大的倍数，所述振幅位移是指单位周期时振幅的偏移量。

详细地，所述利用所述目标环境评估参数集合和所述目标环境转速集合对所述初始运动模型进行训练，得到所述目标测试环境的环境运动模型与上述步骤S2中的所述利用所述目标环境功率集合和所述目标环境转速集合对所述初始能效模型进行训练，得到所述目标测试环境的环境能效模型的方法一致，这里不再赘述。

本发明实施例中，通过利用所述运动状态公式为所述目标测试环境建立初始运动模型，能够建立起所述运动评估参数与所述车轮转速之间的关系曲线，从而方便匹配出适合各种环境的车轮转速。

S4、利用所述运动机器人的摄像组件实时获取运动环境图片，从所述运动环境图片中提取出环境特征，并根据所述环境特征匹配出实时环境；

本发明实施例中，所述摄像组件可以是安装在所述运动机器人的机体前方，用于拍摄地面环境的电子摄像机、红外摄像机或者深度摄像机。

本发明实施例中，参照图3所示，所述从所述运动环境图片中提取出环境特征，并根据所述环境特征匹配出实时环境，包括：

S31、对所述运动环境图片依次进行图像二值化以及图像去噪操作，得到标准环境图片；

S32、利用预设的一级卷积层提取出所述标准环境图片的初始环境特征，并利用预设的次级卷积层提取出所述标准环境图片的次级环境特征；

S33、对所述初始环境特征与所述次级环境特征依次进行特征融合与池化操作，得到环境特征；

S34、对所述环境特征进行归一化操作，得到环境语义，并根据所述环境语义在预设的环境库中匹配出实时环境。

详细地，可以利用openCV对所述运动环境图片依次进行图像二值化以及图像去噪操作，得到标准环境图片。

具体地，所述一级卷积层与所述次级卷积层对应的卷积核尺寸各不相同，得到的所述初始环境特征与所述次级环境特征的特征尺寸也不相同，因此需要进行采样操作和通道数合并操作进行特征融合，因此，得到的所述环境特征能够包含更多的图片特征，从而确保环境语义的准确性，且所述环境库包含各种不同环境的环境语义。

本发明实施例中，通过利用所述运动机器人的摄像组件实时获取运动环境图片，从所述运动环境图片中提取出环境特征，并根据所述环境特征匹配出实时环境，能够帮助所述运动机器人实时识别所处的环境，进而方便后续切换工作功耗，以适应不同的环境。

S5、根据所述环境能效模型和所述环境运动模型建立所述实时环境下的运动能效模型，从所述运动能效模型中提取出目标功耗系数，并根据所述目标功耗系数控制所述运动机器人进行运动。

本发明实施例中，所述根据所述环境能效模型和所述环境运动模型建立所述实时环境下的运动能效模型，包括：

将所述实时环境对应的所述环境能效模型作为目标能效模型，将所述实时环境对应的所述环境运动模型作为目标运动模型；

将所述目标能效模型中的车轮转速带入所述目标运动模型，得到所述实时环境对应的运动能效模型。

详细地，可以利用求导算法，计算所述运动能效模型的极值点，从而得到所述目标功耗系数，其中，所述目标功耗系数是指在所述实时环境下，所述运动能效模型中的运动评估参数的数值最大时对应的工作功率。

本发明实施例中，通过根据所述环境能效模型和所述环境运动模型建立所述实时环境下的运动能效模型，能够得到所述实时环境下所述运动机器人的工作功率与所述运动评估参数之间的关系，通过从所述运动能效模型中提取出目标功耗系数，并根据所述目标功耗系数控制所述运动机器人进行运动，能够确保所述运动机器人在各种环境中都能最佳的运动形态进行运动，提高了所述运动机器人的运动能效比。

本发明实施例通过获取运动机器人在多种测试环境中的历史功耗参数集、历史运转参数集以及历史形态参数集，能够对运动机器人运动过程中的工作功率、实际车轮转速以及实际运动状态等参数进行计量，从而方便后续对所述运动机器人的运动状态的模拟，进而找到最为节能高效的运动方式，通过根据所述历史功耗参数集和所述历史运转参数集为每种测试环境建立环境能效模型，能够有效地表征所述运动机器人在每种工作环境中的工作功耗与车轮转速之间的关系，方便后续为每种工作环境匹配最佳能效的工作功率；通过利用预设的运动评估算法根据所述目标传感数据组中的移动速度曲线、角速度曲线、振动幅度曲线以及摔倒次数计算出所述目标传感数据组对应的运动评估参数，能够在多个维度对运动机器人的运动状态进行表征，并通过运动评估参数的数值大小表示运动机器人运动状态的优劣；

通过利用所述运动状态公式为所述目标测试环境建立初始运动模型，能够建立起所述运动评估参数与所述车轮转速之间的关系曲线，从而方便匹配出适合各种环境的车轮转速，通过利用所述运动机器人的摄像组件实时获取运动环境图片，从所述运动环境图片中提取出环境特征，并根据所述环境特征匹配出实时环境，能够帮助所述运动机器人实时识别所处的环境，进而方便后续切换工作功耗，以适应不同的环境，通过根据所述环境能效模型和所述环境运动模型建立所述实时环境下的运动能效模型，能够得到所述实时环境下所述运动机器人的工作功率与所述运动评估参数之间的关系，通过从所述运动能效模型中提取出目标功耗系数，并根据所述目标功耗系数控制所述运动机器人进行运动，能够确保所述运动机器人在各种环境中都能最佳的运动形态进行运动，提高了所述运动机器人的运动能效比。因此本发明提出的机器人的运动控制方法，可以解决进行机器人运动控制时的能效比较低的问题。

如图4所示，是本发明一实施例提供的机器人的运动控制装置的功能模块图。

本发明所述机器人的运动控制装置100可以安装于电子设备中。根据实现的功能，所述机器人的运动控制装置100可以包括参数获取模块101、能效模型模块102、运动模型模块103、环境识别模块104及功耗匹配模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述参数获取模块101，用于获取运动机器人在多种测试环境中的历史功耗参数集、历史运转参数集以及历史形态参数集；

所述能效模型模块102，用于根据所述历史功耗参数集和所述历史运转参数集为每种测试环境建立环境能效模型，其中，所述根据所述历史功耗参数集和所述历史运转参数集为每种测试环境建立环境能效模型，包括：

逐个选取测试环境作为目标测试环境，利用如下的功率转速公式为所述目标测试环境建立初始能效模型：

其中，w是指所述目标测试环境对应的车轮转速，G是指所述目标测试环境对应的工作功率，π是指圆周率，N是指扭矩系数，a是指所述目标测试环境对应的一级功耗损失系数，b是指所述目标测试环境对应的二级功耗损失系数，c是指所述目标测试环境对应的三级功耗损失系数；

从所述历史功耗参数集中筛选出与所述目标测试环境对应的工作功率集合作为目标环境功率集合，从所述历史运转参数集中筛选出所述目标环境功率集合对应的车轮转速集合作为目标环境转速集合；

利用所述目标环境功率集合和所述目标环境转速集合对所述初始能效模型进行训练，得到所述目标测试环境的环境能效模型；

所述运动模型模块103，用于利用预设的运动评估算法计算出所述历史形态参数集对应的历史运动评估参数集，根据所述历史运动评估参数集和所述历史运转参数集为每种测试环境建立环境运动模型；

所述环境识别模块104，用于利用所述运动机器人的摄像组件实时获取运动环境图片，从所述运动环境图片中提取出环境特征，并根据所述环境特征匹配出实时环境；

所述功耗匹配模块105，用于根据所述环境能效模型和所述环境运动模型建立所述实时环境下的运动能效模型，从所述运动能效模型中提取出目标功耗系数，并根据所述目标功耗系数控制所述运动机器人进行运动。

详细地，本发明实施例中所述机器人的运动控制装置100中所述的各模块在使用时采用与上述图1至图3中所述的机器人的运动控制方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图5所示，是本发明一实施例提供的实现机器人的运动控制方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如机器人的运动控制程序。

其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行机器人的运动控制程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。

所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如机器人的运动控制程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

图中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的机器人的运动控制程序是多个指令的组合，在所述处理器10中运行时，可以实现：

获取运动机器人在多种测试环境中的历史功耗参数集、历史运转参数集以及历史形态参数集；

根据所述历史功耗参数集和所述历史运转参数集为每种测试环境建立环境能效模型；

利用预设的运动评估算法计算出所述历史形态参数集对应的历史运动评估参数集，根据所述历史运动评估参数集和所述历史运转参数集为每种测试环境建立环境运动模型；

利用所述运动机器人的摄像组件实时获取运动环境图片，从所述运动环境图片中提取出环境特征，并根据所述环境特征匹配出实时环境；

根据所述环境能效模型和所述环境运动模型建立所述实时环境下的运动能效模型，从所述运动能效模型中提取出目标功耗系数，并根据所述目标功耗系数控制所述运动机器人进行运动。

具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取运动机器人在多种测试环境中的历史功耗参数集、历史运转参数集以及历史形态参数集；

根据所述历史功耗参数集和所述历史运转参数集为每种测试环境建立环境能效模型；

利用预设的运动评估算法计算出所述历史形态参数集对应的历史运动评估参数集，根据所述历史运动评估参数集和所述历史运转参数集为每种测试环境建立环境运动模型；

利用所述运动机器人的摄像组件实时获取运动环境图片，从所述运动环境图片中提取出环境特征，并根据所述环境特征匹配出实时环境；

根据所述环境能效模型和所述环境运动模型建立所述实时环境下的运动能效模型，从所述运动能效模型中提取出目标功耗系数，并根据所述目标功耗系数控制所述运动机器人进行运动。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种机器人的运动控制方法，其特征在于，所述方法包括：

S1：获取运动机器人在多种测试环境中的历史功耗参数集、历史运转参数集以及历史形态参数集；

S2：根据所述历史功耗参数集和所述历史运转参数集为每种测试环境建立环境能效模型，其中，所述根据所述历史功耗参数集和所述历史运转参数集为每种测试环境建立环境能效模型，包括：

S21：逐个选取测试环境作为目标测试环境，利用如下的功率转速公式为所述目标测试环境建立初始能效模型：

其中，w是指所述目标测试环境对应的车轮转速，G是指所述目标测试环境对应的工作功率，π是指圆周率，N是指扭矩系数，a是指所述目标测试环境对应的一级功耗损失系数，b是指所述目标测试环境对应的二级功耗损失系数，c是指所述目标测试环境对应的三级功耗损失系数；

S22：从所述历史功耗参数集中筛选出与所述目标测试环境对应的工作功率集合作为目标环境功率集合，从所述历史运转参数集中筛选出所述目标环境功率集合对应的车轮转速集合作为目标环境转速集合；

S23：利用所述目标环境功率集合和所述目标环境转速集合对所述初始能效模型进行训练，得到所述目标测试环境的环境能效模型；

S3：利用预设的运动评估算法计算出所述历史形态参数集对应的历史运动评估参数集，根据所述历史运动评估参数集和所述历史运转参数集为每种测试环境建立环境运动模型；

S4：利用所述运动机器人的摄像组件实时获取运动环境图片，从所述运动环境图片中提取出环境特征，并根据所述环境特征匹配出实时环境；

S5：根据所述环境能效模型和所述环境运动模型建立所述实时环境下的运动能效模型，从所述运动能效模型中提取出目标功耗系数，并根据所述目标功耗系数控制所述运动机器人进行运动。

2.如权利要求1所述的机器人的运动控制方法，其特征在于，所述获取运动机器人在多种测试环境中的历史功耗参数集、历史运转参数集以及历史形态参数集，包括：

利用与所述运动机器人的运动电机组相连的功率计获取多种测试环境中的历史功耗参数集；

利用安装在所述运动机器人的车轮组件周围的霍尔传感器和光感传感器获取多种测试环境中的历史运转参数集；

利用安装在所述运动机器人的重心位置的状态传感器组件获取多种测试环境中的历史形态参数集。

3.如权利要求2所述的机器人的运动控制方法，其特征在于，所述利用安装在所述运动机器人的车轮组件周围的霍尔传感器和光感传感器获取多种测试环境中的历史运转参数集，包括：

逐个选取测试环境作为目标测试环境，逐个选取所述目标测试环境中的一次测试作为目标测试；

利用所述霍尔传感器获取所述目标测试过程中所述运动机器人的车轮组件产生的霍尔脉冲曲线，利用所述光感传感器获取所述车轮组件产生的光电脉冲曲线；

通过利用如下车轮运转算法根据所述霍尔脉冲曲线以及所述光电脉冲曲线计算出所述目标测试的车轮转速曲线，并将所有的所述车轮转速曲线汇集成历史运转参数集：

其中，r_i是指所述车轮转速曲线中i时刻的转速值，i是指所述车轮转速曲线中的第i时刻，ceiling是向上取整符号，α是指所述霍尔脉冲曲线中所述车轮组件旋转一圈时的脉冲数，T_i是指所述霍尔脉冲曲线中第i时刻的脉冲频率，β是指所述光电脉冲曲线中所述车轮组件旋转一圈时的脉冲数，

是指所述光电脉冲曲线中第i时刻的脉冲频率，sign是取符号函数，t₀是指所述霍尔脉冲曲线与所述光电脉冲曲线中最初的区间的脉冲值。

4.如权利要求3所述的机器人的运动控制方法，其特征在于，所述利用预设的运动评估算法计算出所述历史形态参数集对应的历史运动评估参数集，包括：

逐个选取所述历史形态参数集中的运动传感集合作为目标传感集合，逐个选取所述目标传感集合中的运动传感数据组作为目标传感数据组；

利用预设的运动评估算法根据所述目标传感数据组中的移动速度曲线、移动加速度曲线、角速度曲线、振动幅度曲线以及摔倒次数计算出所述目标传感数据组对应的运动评估参数，并将所有的所述运动评估参数汇集成历史运动评估参数集：

其中，P是指所述运动评估参数，m是指所述目标传感数据组对应的测试总时长，j是指所述目标传感数据组对应的第j时刻，v_j是指所述移动速度曲线中第j时刻对应的速度值，u_j是指所述角速度曲线中第j时刻对应的角速度值，e_j是指所述振动幅度曲线中第j时刻对应的振幅值，y是指所述摔倒次数，ε是预设的速度权重、θ是预设的角速度权重、γ是预设的振幅权重。

5.如权利要求1所述的机器人的运动控制方法，其特征在于，所述根据所述历史运动评估参数集和所述历史运转参数集为每种测试环境建立环境运动模型，包括：

逐个选取测试环境作为目标测试环境，利用如下的运动状态公式为所述目标测试环境建立初始运动模型：

其中，P是指所述目标测试环境对应的运动评估参数,w是指所述目标测试环境对应的车轮转速，π是指圆周率，R是指所述运动机器人的车轮半径，ρ是所述目标测试环境对应的摩擦系数，o是指预设的角速度系数，A是指所述目标测试环境对应的振幅系数，τ是指预设的振幅位移，ε是指所述速度权重、θ是指所述角速度权重、γ是指所述振幅权重；

从所述历史运动评估参数集中筛选出与所述目标测试环境对应的环境评估参数集合作为目标环境评估参数集合，从所述历史运转参数集中筛选出所述目标环境功率集合对应的车轮转速集合作为目标环境转速集合；

利用所述目标环境评估参数集合和所述目标环境转速集合对所述初始运动模型进行训练，得到所述目标测试环境的环境运动模型。

6.如权利要求1所述的机器人的运动控制方法，其特征在于，所述从所述运动环境图片中提取出环境特征，并根据所述环境特征匹配出实时环境，包括：

对所述运动环境图片依次进行图像二值化以及图像去噪操作，得到标准环境图片；

利用预设的一级卷积层提取出所述标准环境图片的初始环境特征，并利用预设的次级卷积层提取出所述标准环境图片的次级环境特征；

对所述初始环境特征与所述次级环境特征依次进行特征融合与池化操作，得到环境特征；

对所述环境特征进行归一化操作，得到环境语义，并根据所述环境语义在预设的环境库中匹配出实时环境。

7.如权利要求1所述的机器人的运动控制方法，其特征在于，所述根据所述环境能效模型和所述环境运动模型建立所述实时环境下的运动能效模型，包括：

将所述实时环境对应的所述环境能效模型作为目标能效模型，将所述实时环境对应的所述环境运动模型作为目标运动模型；

将所述目标能效模型中的车轮转速带入所述目标运动模型，得到所述实时环境对应的运动能效模型。

8.一种机器人的运动控制装置，其特征在于，所述装置包括：

参数获取模块，用于获取运动机器人在多种测试环境中的历史功耗参数集、历史运转参数集以及历史形态参数集；

能效模型模块，用于根据所述历史功耗参数集和所述历史运转参数集为每种测试环境建立环境能效模型，其中，所述根据所述历史功耗参数集和所述历史运转参数集为每种测试环境建立环境能效模型，包括：

逐个选取测试环境作为目标测试环境，利用如下的功率转速公式为所述目标测试环境建立初始能效模型：

其中，w是指所述目标测试环境对应的车轮转速，G是指所述目标测试环境对应的工作功率，π是指圆周率，N是指扭矩系数，a是指所述目标测试环境对应的一级功耗损失系数，b是指所述目标测试环境对应的二级功耗损失系数，c是指所述目标测试环境对应的三级功耗损失系数；

从所述历史功耗参数集中筛选出与所述目标测试环境对应的工作功率集合作为目标环境功率集合，从所述历史运转参数集中筛选出所述目标环境功率集合对应的车轮转速集合作为目标环境转速集合；

利用所述目标环境功率集合和所述目标环境转速集合对所述初始能效模型进行训练，得到所述目标测试环境的环境能效模型；

运动模型模块，用于利用预设的运动评估算法计算出所述历史形态参数集对应的历史运动评估参数集，根据所述历史运动评估参数集和所述历史运转参数集为每种测试环境建立环境运动模型；

环境识别模块，用于利用所述运动机器人的摄像组件实时获取运动环境图片，从所述运动环境图片中提取出环境特征，并根据所述环境特征匹配出实时环境；

功耗匹配模块，用于根据所述环境能效模型和所述环境运动模型建立所述实时环境下的运动能效模型，从所述运动能效模型中提取出目标功耗系数，并根据所述目标功耗系数控制所述运动机器人进行运动。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的机器人的运动控制方法。

10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的机器人的运动控制方法。

Images