CN116442219B - 一种智能机器人控制系统及方法 - Google Patents
一种智能机器人控制系统及方法 Download PDFInfo
- Publication number
- CN116442219B CN116442219B CN202310298138.3A CN202310298138A CN116442219B CN 116442219 B CN116442219 B CN 116442219B CN 202310298138 A CN202310298138 A CN 202310298138A CN 116442219 B CN116442219 B CN 116442219B
- Authority
- CN
- China
- Prior art keywords
- data
- robot
- model
- subsystem
- control system
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005070 sampling Methods 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 13
- 239000003550 marker Substances 0.000 claims description 13
- 238000003909 pattern recognition Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 5
- 230000010365 information processing Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 claims description 2
- 238000000691 measurement method Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明公开了一种智能机器人控制系统及方法,涉及智能控制技术领域,控制系统包括远程智能控制系统、机器人硬件系统;其中远程智能控制系统包括大数据子系统、协同算法子系统、云计算子系统、协作模型单元、任务子系统、智能控制输出单元;机器人硬件系统,包含机器人本体、可移动平台、主控制系统、传感器集群以及附属设备,该智能机器人控制系统及方法,能够让机器人具有自感应、自调整、自学习的工作方式,实现高度柔性化工作,可以替代产业工人,服务业的从业人员,应用前景广泛。
Description
技术领域
本发明涉及智能控制技术领域,具体为一种智能机器人控制系统及方法。
背景技术
目前,随着工业化产业链以及服务业的不断完善与发展,智能机器人已经是业内必不可少的智能设备之一,智能机器人实现全自动完成整套动作时,需要通过控制系统对其进行优化控制,而目前智能机器人所使用的控制系统,在控制智能机器人完成任务时,智能机器人的自感应、自调整以及自学习的能力较差,使得智能机器人自我调整和自适应工作的能力得不到提升。
发明内容
针对现有技术的不足,本发明提供了一种智能机器人控制系统及方法,解决了目前智能机器人所使用的控制系统,在控制智能机器人完成任务时,智能机器人的自感应、自调整以及自学习的能力较差,使得智能机器人自我调整和自适应工作的能力得不到提升的问题。
为实现以上目的,本发明通过以下技术方案予以实现:
第一方面,本发明提出了一种智能机器人控制系统,包括机器人硬件系统和远程智能控制系统,所述远程智能控制系统是以有线或者无线通信的方式远程与机器人硬件系统进行数据流、控制流等信息的交互,其中,
所述机器人硬件系统为前端底层设备的集合体,内置有多个模块,由主控制器进行协同控制和管理,实现对各子模块的实时数据采集,并上传给所述远程智能控制系统;
所述远程智能控制系统为后端信息处理与模式识别的集合体,在收到所述机器人硬件系统的信息数据后,先后完成数据预处理、数据分类识别、生成模型以及转换成特点的指令集和数据包,并发回给所述机器人硬件系统,实现对机器人的远程智能控制。
进一步的,所述机器人硬件系统包括:
机器人本体,为所述机器人硬件系统的主体设备,用于完成工作任务;
可移动平台,为所述机器人本体的载体设备,用于辅助所述机器人硬件系统完成升降、调平以及移动到目标区域;
主控制器,负责管理和调配所述机器人硬件系统下的各子模块工作;
附属设备,为所述机器人硬件系统的末端单元,由多种形态的设备构成,通过单个或多个设备的组合完成一种或多种特定功能,实现满足工艺及作业的需求,通过机器人本体和主控制器统一对附属设备进行控制;
传感器集群,安装于机器人本体、可移动平台、附属设备上的感知器集群,通过主控制器采集空间位置信息、图像信息、红外信息以及电机信息的数据,并将数据上传到远程智能控制系统;
人机协作系统,内置有人体保护系统以及电子围栏,用于调节所述机器人本体的工作模式,完成人机协调工作,同时实时监测所述机器人本体和协作人员的安全距离,逐渐接近时机器人会降低作业范围和速度,接触人体部位时直接停机,以保护协作人员的生命安全。
进一步的,所述机器人本体包括机械手臂、视觉系统、机器人控制系统以及电气化系统,所述机器人控制系统接收来自主控制器的指令,完成规定的工作任务,如打螺丝、点胶、搬运等。
进一步的,所述可移动平台包括有源移动设施、控制器以及工作平台,所述可移动平台内置数控升降设备,能够自由升降、自由调节四个脚的水平位置,所述控制器接收来自主控制器的指令,驱动所述可移动平台自行移动到目标区域,且可移动平台内置有工具包,能够自行切换所述机器人本体的附着部件、抓手,以适应不同的工序要求,实现机器人柔性工作模式。
进一步的,所述远程智能控制系统包括大数据子系统、协同算法子系统、云计算子系统、协作模型单元、任务队列单元以及智能控制输出单元,所述大数据子系统与传感器集群通讯连接,所述大数据子系统、协同算法子系统、云计算子系统、协作模型单元、任务队列单元以及智能控制输出单元之间均能够互相通讯。
第二方面,本发明还提出了一种智能机器人控制方法,包括如下步骤:
S1、所述大数据子系统接收和保存所述机器人硬件系统的原始信息,并按照信息内含的数据标记进行初步的分类存储,方便后续子系统的信息处理;
S2、所述云计算子系统从大数据子系统中调取标记数据,进行预处理,然后调用协同算法子系统相应的算法模块,执行模式识别;
S3、所述协作模型单元根据S1中的标记类型以及S2中的模式识别结果,匹配对应的协作模型类型,并且根据模式识别结果修改该模型参数,生成新的协作模型;
S4、根据所述任务队列单元的任务要求、优先级顺序以及协作模型单元中生成新的协作模型,由所述智能控制输出单元转换成为对应的操作指令集;
S5、所述智能控制输出单元输出的操作指令集通过通信网络传送给所述主控制器,完成对机器人的远程智能控制。
进一步的,所述S1中数据标记包括离线标记和在线标记;
所述离线标记的步骤如下:
A1、所述传感器集群采集到的原始数据,依据原始数据的类型,由所述机器人硬件系统打入并生成数据标记;
A2、将所述数据标记上传至所述远程智能控制系统中;
所述在线标记的步骤如下:
B1、所述传感器集群采集到的原始数据,依据原始数据的类型,由所述机器人硬件系统打入并生成数据标记;
B2、通过List API接口执行Open Devices操作,形成标记通道Marker channel,然后调用通信模块将标记信息Send MArker Channel发送给下位机;
B3、下位机接收到标记通道数据后,将其插入采集的数据通道hBCI Date Channel中,成为带标记的数据通道hBCI MArker Date Channel;
B4、下位机将标记的数据发送给主机,通过Open Severs将数据发送给算法模块执行分类识别操作,其中,List API是通用的标准化程序接口,通过列表式设备管理和服务管理,连接各类型设备或者获得各类服务支持。
进一步的,所述所述在线标记的步骤中,数据标记的在线检测步骤如下:
B41、设下位机间隔时间ti向上位机发送数据;
B42、上位机程序一直检测接收数据是否带有标记;
B43、若数据带标记,则判断当前时刻是否为采样间隔期,采样间隔指当前的采样阶段为已完成数据采样和读取,还未将采样数据传输给上位机,若当前处于采样间隔期,则将标记按照时间间隔要求位插入采样数据;否则标记数量按照时间间隔继续增加,但暂时保存不执行输出,待采样完成后一次性将暂存的标记插入采样数据中,并返回B42;
B44、如果数据带标记,则不做任何处理,返回B42。
有益效果
本发明提供了一种智能机器人控制系统及方法。与现有技术相比具备以下有益效果:
机器人硬件系统可实时感知机器人周边环境信息和工作信息,然后每个单一信息(如视觉信息)数据上传至远程智能控制系统的大数据子系统,经过协同算法子系统、云计算子系统生成协作模型,再根据任务系统的要求,在智能控制输出单元形成指导机器人操作的指令集和数据包,从而指导机器人自我调整和自适应工作,能够让机器人具有自感应、自调整、自学习的工作方式,实现高度柔性化工作,可以替代产业工人,服务业的从业人员,应用前景广泛。
附图说明
图1为本发明的结构示意框图;
图2为本发明中数据标记的流程图;
图3为本发明数据标记方法原理图。
图中:100、机器人硬件系统;200、远程智能控制系统;1、机器人本体;2、可移动平台;3、主控制器;4、传感器集群;5、附属设备;51、人机协作系统;6、大数据子系统;7、协同算法子系统;8、云计算子系统;9、协作模型单元;10、任务队列单元;11、智能控制输出单元。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例1
请参阅图1,本发明实施例提供一种技术方案:一种智能机器人控制系统,包括机器人硬件系统100和远程智能控制系统200,远程智能控制系统200是以有线或者无线通信的方式远程与机器人硬件系统100进行数据流、控制流等信息的交互,其中,
机器人硬件系统100为前端底层设备的集合体,内置有多个模块,由主控制器进行协同控制和管理,实现对各子模块的实时数据采集,并上传给远程智能控制系统200;
远程智能控制系统200为后端信息处理与模式识别的集合体,在收到机器人硬件系统100的信息数据后,先后完成数据预处理、数据分类识别、生成模型以及转换成特点的指令集和数据包,并发回给机器人硬件系统100,实现对机器人的远程智能控制。
请参阅图1,机器人硬件系统100包括:
机器人本体1,为机器人硬件系统100的主体设备,用于完成工作任务,机器人本体1包括机械手臂、视觉系统、机器人控制系统以及电气化系统,机器人控制系统接收来自主控制器3的指令,完成规定的工作任务,如打螺丝、点胶、搬运等;
可移动平台2,为机器人本体1的载体设备,用于辅助机器人硬件系统100完成升降、调平以及移动到目标区域,可移动平台2包括有源移动设施、控制器以及工作平台,可移动平台2内置数控升降设备,能够自由升降、自由调节四个脚的水平位置,控制器接收来自主控制器3的指令,驱动可移动平台2自行移动到目标区域,且可移动平台2内置有工具包,能够自行切换机器人本体1的附着部件、抓手,以适应不同的工序要求,实现机器人柔性工作模式;
主控制器3,负责管理和调配机器人硬件系统100下的各子模块工作;
附属设备5,为机器人硬件系统100的末端单元,由多种形态的设备构成,通过单个或多个设备的组合完成一种或多种特定功能,实现满足工艺及作业的需求,通过机器人本体1和主控制器3统一对附属设备5进行控制;
传感器集群4,安装于机器人本体1、可移动平台2、附属设备5上的感知器集群,通过主控制器3采集空间位置信息、图像信息、红外信息以及电机信息的数据,并将数据上传到远程智能控制系统200;
人机协作系统51,内置有人体保护系统以及电子围栏,用于调节机器人本体1的工作模式,完成人机协调工作,同时实时监测机器人本体1和协作人员的安全距离,逐渐接近时机器人会降低作业范围和速度,接触人体部位时直接停机,以保护协作人员的生命安全。
请参阅图1,远程智能控制系统200包括大数据子系统6、协同算法子系统7、云计算子系统8、协作模型单元9、任务队列单元10以及智能控制输出单元11,大数据子系统6与传感器集群4通讯连接,大数据子系统6、协同算法子系统7、云计算子系统8、协作模型单元9、任务队列单元10以及智能控制输出单元11之间均能够互相通讯。
实施例2
基于实施例1的一种智能机器人控制系统,本发明实施例还提出了一种智能机器人控制方法,包括如下步骤:
S1、大数据子系统6接收和保存机器人硬件系统100的原始信息,并按照信息内含的数据标记进行初步的分类存储,方便后续子系统的信息处理;
S2、云计算子系统8从大数据子系统6中调取标记数据,进行预处理,然后调用协同算法子系统7相应的算法模块,执行模式识别;
S3、协作模型单元9根据S1中的标记类型以及S2中的模式识别结果,匹配对应的协作模型类型,并且根据模式识别结果修改该模型参数,生成新的协作模型;
S4、根据任务队列单元10的任务要求、优先级顺序以及协作模型单元9中生成新的协作模型,由智能控制输出单元11转换成为对应的操作指令集;
S5、智能控制输出单元11输出的操作指令集通过通信网络传送给主控制器3,完成对机器人的远程智能控制。
其中,S1中数据标记包括离线标记和在线标记;
离线标记的步骤如下:
A1、传感器集群4采集到的原始数据,依据原始数据的类型,由机器人硬件系统100打入并生成数据标记;
A2、将数据标记上传至远程智能控制系统200中;
请参阅图2,在线标记的步骤如下:
B1、传感器集群4采集到的原始数据,依据原始数据的类型,由机器人硬件系统100打入并生成数据标记;
B2、通过List API接口执行Open Devices操作,形成标记通道Marker channel,然后调用通信模块将标记信息Send MArker Channel发送给下位机采集设备;
B3、下位机接收到标记通道数据后,将其插入采集的数据通道hBCI Date Channel中,成为带标记的数据通道hBCI MArker Date Channel;
B4、下位机将标记的数据发送给主机,通过Open Severs将数据发送给算法模块执行分类识别操作,其中,List API是通用的标准化程序接口,通过列表式设备管理和服务管理,连接各类型设备或者获得各类服务支持。
另外,在线标记的步骤中,数据标记的在线检测步骤如下:
B41、设下位机设备间隔时间ti向上位机主机发送数据MArker Date或者Date;
B42、上位机程序一直检测接收数据是否带有标记;
B43、若数据带标记,则判断当前时刻是否为采样间隔期,采样间隔指当前的采样阶段为已完成数据采样和读取,还未将采样数据传输给上位机,若当前处于采样间隔期,则将标记按照时间间隔要求位插入采样数据;否则标记数量按照时间间隔继续增加,但暂时保存不执行输出,待采样完成后一次性将暂存的标记插入采样数据中,并返回B42;
B44、如果数据带标记,则不做任何处理,返回B42。
另外,B42中是否带有标记的判定原理如图3所示,在图3中,Di为延时误差,ti向为采样时间点,Ni为打标时间点。时间误差有系统响应延时和流程固有延时两大影响因子。控制器同时开启多个线程,完成数据采集和标记任务,减少响应延时。其二是流程固有延时,延时时间Di由式2-91推知,Di<T。
这样,延时误差Di被控制在一个采样周期以内,数据标记Ni不会误操作为下个标记Ni+1,即不会出现数据移位的情况,确保数据被正确标记。
另外,本实施例的控制方法还可以进行拓展,步骤如下:
其可以采用监督学习、半监督学习,以及非监督学习的方法完成数据的模式识别和智能化控制;
(1)监督学习、半监督学习的典型特征在于:
步骤1:系统智能化控制之前,先执行训练操作,训练素材采用S1的标记数据;
步骤2:采集设备进行原始数据的采集,并将其进行预处理,包含且不限于消除噪声、数据降维、数据拼接;
步骤3:将预处理采样数据送入协同算法子系统7中的对应算法,得到特征向量或特征值,计算机存储每次对应的特征向量或特征值;
步骤4:计算机存储的多个特征向量或特征值,送入协同算法子系统7中的对应算法(分类器),完成特征分类;
步骤5:依据分类结果,提取关键参数或者数据,建立该机器人的训练模型,为之后的识别操作提供单个模型;
步骤6:训练模式下,多次重复上述训练过程,通过特征分类建立特定机器人行为的模型库;
步骤7:工作模式下,不断将机器人的原始数据和模型库匹配进行模式识别,具体步骤如下:
步骤71:由机器人硬件系统不断进行数据采集,以获得机器人的精确工作信息;
步骤72:对采集到的数据或者信号进行预处理处理;
步骤73:提取待分析的特征信息,为单个模型或者模型库提供合适的特征向量;
步骤74:送入协同算法子系统7中,进行模型的分类识别;
步骤75:在模型检测环节中,根据数据特征计算每个特征向量在不同模型下特征上的得分,计算出对应于信号的可能属于该模型的概率;
步骤76:根据模型库,得到适配的最佳模型。
非监督学习的典型特征在于:机器人事先不执行训练过程,将其工作过程原始数据,从协同算法子系统7中调用深度学习网络、神经网络等进行自然聚类。聚类的中心是依照机器人的工作要求产生若干个模式点。每一中心代表一个类别,按照某种相似性度量方法(如最小距离方法)将各模式归于各聚类中心所代表的类别,形成初始分类。然后由聚类准则判断初始分类是否合理,如果不合理就修改分类,如此反复迭代运算,直到合理为止。
综上,实施例1和实施例2的智能机器人控制系统、方法,能够让机器人具有自感应、自调整、自学习的工作方式,实现高度柔性化工作,可以替代产业工人,服务业的从业人员,应用前景广泛。
Claims (4)
1.一种智能机器人控制系统,其特征在于,包括机器人硬件系统(100)和远程智能控制系统(200),所述远程智能控制系统(200)是以有线或者无线通信的方式远程与机器人硬件系统(100)进行数据流、控制流等信息的交互,其中,
所述机器人硬件系统(100)为前端底层设备的集合体,内置有多个模块,由主控制器进行协同控制和管理,实现对各子模块的实时数据采集,并上传给所述远程智能控制系统(200);
所述远程智能控制系统(200)为后端信息处理与模式识别的集合体,在收到所述机器人硬件系统(100)的信息数据后,先后完成数据预处理、数据分类识别、生成模型以及转换成特点的指令集和数据包,并发回给所述机器人硬件系统(100),实现对机器人的远程智能控制,所述机器人硬件系统(100)还设置有学习模块;
所述机器人硬件系统(100)包括:
机器人本体(1),为所述机器人硬件系统(100)的主体设备,用于完成工作任务;
可移动平台(2),为所述机器人本体(1)的载体设备,用于辅助所述机器人硬件系统(100)完成升降、调平以及移动到目标区域;
主控制器(3),负责管理和调配所述机器人硬件系统(100)下的各子模块工作;
附属设备(5),为所述机器人硬件系统(100)的末端单元,由多种形态的设备构成,通过单个或多个设备的组合完成一种或多种特定功能,通过机器人本体(1)和主控制器(3)统一对附属设备(5)进行控制;
传感器集群(4),安装于机器人本体(1)、可移动平台(2)、附属设备(5)上的感知器集群,通过主控制器(3)采集空间位置信息、图像信息、红外信息以及电机信息的数据,并将数据上传到远程智能控制系统(200);
人机协作系统(51),内置有人体保护系统以及电子围栏,用于调节所述机器人本体(1)的工作模式,完成人机协调工作,同时实时监测所述机器人本体(1)和协作人员的安全距离;
所述机器人本体(1)包括机械手臂、视觉系统、机器人控制系统以及电气化系统,所述机器人控制系统接收来自主控制器(3)的指令,完成规定的工作任务;
所述可移动平台(2)包括有源移动设施、控制器以及工作平台,所述可移动平台(2)内置数控升降设备,能够自由升降、自由调节四个脚的水平位置,所述控制器接收来自主控制器(3)的指令,驱动所述可移动平台(2)自行移动到目标区域,且可移动平台(2)内置有工具包,能够自行切换所述机器人本体(1)的附着部件、抓手;
所述远程智能控制系统(200)包括大数据子系统(6)、协同算法子系统(7)、云计算子系统(8)、协作模型单元(9)、任务队列单元(10)以及智能控制输出单元(11),所述大数据子系统(6)与传感器集群(4)通讯连接,所述大数据子系统(6)、协同算法子系统(7)、云计算子系统(8)、协作模型单元(9)、任务队列单元(10)以及智能控制输出单元(11)之间均能够互相通讯;
所述智能机器人控制系统的控制方法包括如下步骤:
S1、所述大数据子系统(6)接收和保存所述机器人硬件系统(100)的原始信息,并按照信息内含的数据标记进行初步的分类存储;
S2、所述云计算子系统(8)从大数据子系统(6)中调取标记数据,进行预处理,然后调用协同算法子系统(7)相应的算法模块,执行模式识别;
S3、所述协作模型单元(9)根据S1中的标记类型以及S2中的模式识别结果,匹配对应的协作模型类型,并且根据模式识别结果修改模型参数,生成新的协作模型;
S4、根据所述任务队列单元(10)的任务要求、优先级顺序以及协作模型单元(9)中生成新的协作模型,由所述智能控制输出单元(11)转换成为对应的操作指令集;
S5、所述智能控制输出单元(11)输出的操作指令集通过通信网络传送给所述主控制器(3),完成对机器人的远程智能控制。
2.根据权利要求1所述的一种智能机器人控制系统,其特征在于,所述S1中数据标记包括离线标记和在线标记;
所述离线标记的步骤如下:
A1、所述传感器集群(4)采集到的原始数据,依据原始数据的类型,由所述机器人硬件系统(100)打入并生成数据标记;
A2、将所述数据标记上传至所述远程智能控制系统(200)中;
所述在线标记的步骤如下:
B1、所述传感器集群(4)采集到的原始数据,依据原始数据的类型,由所述机器人硬件系统(100)打入并生成数据标记;
B2、通过List API接口执行Open Devices操作,形成标记通道Marker channel,然后调用通信模块将标记信息Send MArker Channel发送给下位机;
B3、下位机接收到标记通道数据后,将其插入采集的数据通道hBCIDate Channel中,成为带标记的数据通道hBCI MArker Date Channel;
B4、下位机将标记的数据发送给主机,通过Open Severs将数据发送给算法模块执行分类识别操作。
3.根据权利要求2所述的一种智能机器人控制系统,其特征在于,所述在线标记的步骤中,数据标记的在线检测步骤如下:
B41、设下位机间隔时间ti向上位机发送数据;
B42、上位机程序一直检测接收数据是否带有标记;
B43、若数据带标记,则判断当前时刻是否为采样间隔期,若当前处于采样间隔期,则将标记按照时间间隔要求位插入采样数据;否则标记数量按照时间间隔继续增加,但暂时保存不执行输出,待采样完成后一次性将暂存的标记插入采样数据中,并返回B42;
B44、如果数据带标记,则不做任何处理,返回B42。
4.根据权利要求1所述的一种智能机器人控制系统,其特征在于,所述学习模块控制方法步骤如下:
其可以采用监督学习、半监督学习,以及非监督学习的方法完成数据的模式识别和智能化控制;
(1)监督学习、半监督学习的典型特征在于:
步骤1:系统智能化控制之前,先执行训练操作,训练素材采用S1的标记数据;
步骤2:采集设备进行原始数据的采集,并将其进行预处理,包含且不限于消除噪声、数据降维、数据拼接;
步骤3:将预处理采样数据送入协同算法子系统(7)中的对应算法,得到特征向量或特征值,计算机存储每次对应的特征向量或特征值;
步骤4:计算机存储的多个特征向量或特征值,送入协同算法子系统(7)中的对应算法,完成特征分类;
步骤5:依据分类结果,提取关键参数或者数据,建立该机器人的训练模型,为之后的识别操作提供单个模型;
步骤6:训练模式下,多次重复上述训练过程,通过特征分类建立特定机器人行为的模型库;
步骤7:工作模式下,不断将机器人的原始数据和模型库匹配进行模式识别,具体步骤如下:
步骤71:由机器人硬件系统不断进行数据采集,以获得机器人的精确工作信息;
步骤72:对采集到的数据或者信号进行预处理;
步骤73:提取待分析的特征信息,为单个模型或者模型库提供合适的特征向量;
步骤74:送入协同算法子系统(7)中,进行模型的分类识别;
步骤75:在模型检测环节中,根据数据特征计算每个特征向量在不同模型下特征上的得分,计算出对应于信号的可能属于该模型的概率;
步骤76:根据模型库,得到适配的最佳模型;
非监督学习的典型特征在于:机器人事先不执行训练过程,将其工作过程原始数据,从协同算法子系统(7)中调用深度学习网络、神经网络等进行自然聚类,聚类的中心是依照机器人的工作要求产生若干个模式点,每一中心代表一个类别,按照某种相似性度量方法将各模式归于各聚类中心所代表的类别,形成初始分类,然后由聚类准则判断初始分类是否合理,如果不合理就修改分类,如此反复迭代运算,直到合理为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310298138.3A CN116442219B (zh) | 2023-03-24 | 2023-03-24 | 一种智能机器人控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310298138.3A CN116442219B (zh) | 2023-03-24 | 2023-03-24 | 一种智能机器人控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116442219A CN116442219A (zh) | 2023-07-18 |
CN116442219B true CN116442219B (zh) | 2023-11-03 |
Family
ID=87129477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310298138.3A Active CN116442219B (zh) | 2023-03-24 | 2023-03-24 | 一种智能机器人控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116442219B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117420760A (zh) * | 2023-11-24 | 2024-01-19 | 东莞市新佰人机器人科技有限责任公司 | 适用于机器人自主协作的多模态控制算法融合方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491263A (zh) * | 2018-03-02 | 2018-09-04 | 珠海市魅族科技有限公司 | 数据处理方法、数据处理装置、终端及可读存储介质 |
CN109459980A (zh) * | 2018-10-25 | 2019-03-12 | 山东中衡光电科技有限公司 | 一种光学镜面加工共融机器人控制系统及方法 |
CN110519582A (zh) * | 2019-08-16 | 2019-11-29 | 哈尔滨工程大学 | 一种巡检机器人数据采集系统及数据采集方法 |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
CN114301954A (zh) * | 2021-12-15 | 2022-04-08 | 苏州奇葩智能科技有限公司 | 一种移动机器人工业互联网控制系统 |
CN115793575A (zh) * | 2022-10-27 | 2023-03-14 | 东莞市新佰人机器人科技有限责任公司 | 一种机器人派遣的商业模式 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT201800006156A1 (it) * | 2018-06-08 | 2019-12-08 | Metodo di controllo predittivo di un robot e relativo sistema di controllo |
-
2023
- 2023-03-24 CN CN202310298138.3A patent/CN116442219B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491263A (zh) * | 2018-03-02 | 2018-09-04 | 珠海市魅族科技有限公司 | 数据处理方法、数据处理装置、终端及可读存储介质 |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
CN109459980A (zh) * | 2018-10-25 | 2019-03-12 | 山东中衡光电科技有限公司 | 一种光学镜面加工共融机器人控制系统及方法 |
CN110519582A (zh) * | 2019-08-16 | 2019-11-29 | 哈尔滨工程大学 | 一种巡检机器人数据采集系统及数据采集方法 |
CN114301954A (zh) * | 2021-12-15 | 2022-04-08 | 苏州奇葩智能科技有限公司 | 一种移动机器人工业互联网控制系统 |
CN115793575A (zh) * | 2022-10-27 | 2023-03-14 | 东莞市新佰人机器人科技有限责任公司 | 一种机器人派遣的商业模式 |
Non-Patent Citations (1)
Title |
---|
增量式迭代计算模型研究与实现;宋杰;郭朝鹏;张一川;张岩峰;于戈;;计算机学报(01);111-127 * |
Also Published As
Publication number | Publication date |
---|---|
CN116442219A (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111421539A (zh) | 一种基于计算机视觉的工业零件智能识别与分拣系统 | |
CN112297013B (zh) | 一种基于数字孪生和深度神经网络的机器人智能抓取方法 | |
Brook et al. | Collaborative grasp planning with multiple object representations | |
CN116442219B (zh) | 一种智能机器人控制系统及方法 | |
CN111515945A (zh) | 机械臂视觉定位分拣抓取的控制方法、系统及装置 | |
CN111923053A (zh) | 基于深度视觉的工业机器人物件抓取示教系统及方法 | |
CN111251277B (zh) | 一种基于示教学习的人机协作工具递交系统及方法 | |
US11504846B2 (en) | Robot teaching system based on image segmentation and surface electromyography and robot teaching method thereof | |
CN114029243B (zh) | 一种用于分拣机器手的软物抓取识别方法 | |
CN109543732A (zh) | 基于类别特征知识库的装配系统及方法 | |
CN112257293A (zh) | 一种基于ros的非标准物体抓取方法及装置 | |
CN113708491A (zh) | 牵引变电所智能巡检系统 | |
CN111152227A (zh) | 一种基于引导式dqn控制的机械臂控制方法 | |
CN112123338A (zh) | 一种支持深度学习加速的变电站智能巡检机器人系统 | |
CN114132745A (zh) | 一种基于agv及机器视觉进行工件自动上下料系统及方法 | |
CN109079777B (zh) | 一种机械臂手眼协调作业系统 | |
CN110553650A (zh) | 一种基于小样本学习的移动机器人重定位方法 | |
CN115586748B (zh) | 一种移动式智能柔性运动控制系统及其方法 | |
CN116852352A (zh) | 一种基于ArUco码的电力二次设备机械臂定位方法 | |
CN114310954B (zh) | 一种护理机器人自适应升降控制方法和系统 | |
Lin et al. | Inference of 6-DOF robot grasps using point cloud data | |
CN112757274B (zh) | 一种面向人机协同操作的动力学融合行为安全算法及系统 | |
Wang et al. | A smart operator assistance system using deep learning for angle measurement | |
KR20230061612A (ko) | 머신 러닝을 이용한 물체의 피킹 자동화 시스템 및 그 제어 방법 | |
Kato et al. | Task performance test on grasping the bolt by a power distribution line maintenance experimental robot 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |