CN119717618B - 一种人形机器人跌倒控制方法、装置、设备和存储介质 - Google Patents

Abstract

本申请提供一种人形机器人跌倒控制方法、装置、设备和存储介质，涉及人形机器人技术领域。所述控制方法包括：实时获取人形机器人的状态数据；根据状态数据预测人形机器人的当前状态；若当前状态为高风险跌倒状态则控制人形机器人执行跌倒保护动作。本申请的人形机器人跌倒控制方法通过实时监测重心位置、运动速度和加速度，提高了跌倒预测的准确性。该方法能在高风险情况下迅速启动保护动作，减少损伤风险，保护周围人员安全。它增强了机器人的适应性和自主性，提升了稳定性和安全性，降低了维护成本，延长了使用寿命，从而增强了机器人的实用性和市场竞争力，拓宽了应用范围。

Description

一种人形机器人跌倒控制方法、装置、设备和存储介质

技术领域

本申请涉及人形机器人技术领域，尤其涉及一种人形机器人跌倒控制方法、装置、设备和存储介质。

背景技术

人形机器人作为机器人技术领域的一个重要分支，以其模仿人类行为的能力在服务、救援、娱乐等多个领域展现出广泛的应用潜力。这种机器人的设计旨在模拟人类的双足行走机制，使其能够在复杂多变的环境中执行任务。然而，由于其高度的动态性和环境的不确定性，人形机器人在执行任务时面临着跌倒的风险，这不仅关系到机器人自身的安全，也涉及到周围人员的安全。

在现有技术中，人形机器人的跌倒预测主要依赖于惯性测量单元(IMU)所提供的数据。IMU能够测量机器人的线性加速度和角速度，为跌倒检测提供基础数据。然而，这种单一传感器的方法在捕捉机器人姿态的微妙变化方面存在局限性，尤其是在复杂环境中，机器人可能因为多种因素(如地面不平、外力干扰等)而失去平衡。这限制了跌倒预测的精确性和实时性，导致机器人在面临跌倒风险时无法及时做出反应。

此外，现有的跌倒保护方案多依赖于机械结构或简单的紧急制动机制。这些方案在设计上往往缺乏灵活性，无法适应多变的跌倒场景。例如，一些保护机制可能在机器人向后跌倒时有效，但在侧向跌倒时则不足以提供充分的保护。这种局限性使得现有的保护措施在实际应用中效果有限，无法有效减轻跌倒对机器人造成的损害。

总结来看，现有技术在人形机器人的跌倒预测和保护方面存在显著的不足。IMU数据的局限性影响了跌倒预测的准确性，而现有的保护方案则因缺乏灵活性和适应性而难以应对复杂的跌倒场景。这些问题限制了人形机器人在复杂环境中的稳定性和安全性，增加了机器人操作的风险。因此，开发更为精确和灵活的跌倒预测与保护技术，对于提高人形机器人的实用性和可靠性具有重要意义。

发明内容

第一方面，本发明提供一种人形机器人跌倒控制方法，包括：

实时获取所述人形机器人的状态数据；所述状态数据包括重心位置、运动速度和加速度；

根据所述状态数据预测所述人形机器人的当前状态；

若所述当前状态为高风险跌倒状态，则控制所述人形机器人执行跌倒保护动作。

在可选的实施方式中，所述根据所述状态数据预测所述人形机器人的当前状态，包括：

采用模型预测控制算法，以所述重心位置、所述运动速度和所述加速度为输入，利用机器人全身动力学模型判断所述人形机器人是否达到预设触发条件；

若是，则判定所述人形机器人的所述当前状态为高风险跌倒状态；

若否，则判定所述人形机器人的所述当前状态不为高风险跌倒状态。

在可选的实施方式中，所述预设触发条件包括如下条件中的至少一条：

A、所述重心位置超出预设安全范围；

B、所述加速度的变化超过预设加速度变化阈值；

C、所述运动速度的下降速度超出预设下降阈值。

在可选的实施方式中，所述跌倒保护动作包括：

确认跌倒方向和与所述跌倒方向对应的当前机器人重点保护区域；所述当前机器人重点保护区域包括腿部、脆弱关节和碰撞关节；所述脆弱关节包括手部关节和头部关节；所述碰撞关节包括膝关节、髋关节和肘关节中的至少一个；

控制所述腿部构成屈腿状态，降低所述人形机器人的重心；

控制所述脆弱关节调整至安全姿态；

控制所述碰撞关节开启柔顺碰撞功能；

其中，所述安全姿态包括如下方法中的至少一个：

A、调整手部关节构成握拳状态；

B、调整手部关节屈肘至胸前区域；

C、调整头部朝向胸前方向倾斜构成低头状态。

在可选的实施方式中，所述确认跌倒方向和与所述跌倒方向对应的当前机器人重点保护区域，包括：

利用惯性测量单元实时监测所述人形机器人的姿态角数据；所述姿态角数据包括仰角和/或翻转角的绝对值；

若所述姿态角达到0.5弧度，则判定所述人形机器人当前为不稳定状态，并将所述腿部和/或所述脆弱关节作为所述当前机器人重点保护区域；

若所述姿态角达到1.05弧度，则判定所述人形机器人当前为倾倒状态，并将所述碰撞关节作为所述当前机器人重点保护区域。

在可选的实施方式中，所述柔顺碰撞功能包括：

实时监测所述碰撞关节受到的外力和实际速度；当感知到所述外力作用到所述碰撞关节时，根据动力学模型计算关节产生的关节加速度；所述动力学模型的表达式为：

其中，F代表跌倒碰撞力；M代表所述碰撞关节的质量参数；D代表所述碰撞关节的阻尼参数；v_real代表所述实际速度；代表所述碰撞关节的所述关节加速度的变化率；

利用所述关节加速度控制所述碰撞关节顺应所述外力运动；以及，根据所述碰撞关节的所述实际速度动态调整所述阻尼参数和所述质量参数。

在可选的实施方式中，所述控制所述人形机器人执行跌倒保护动作之后，还包括：

对所述人形机器人进行故障自检、姿态位置检测和环境感知，并分别得到自检结果、姿态位置信息和环境感知结果；

根据所述自检结果、所述姿态位置信息和所述环境感知结果，建立运动规划数据；

判断所述人形机器人是否能够根据所述运动规划数据模拟恢复至平稳姿态；

若是，则根据所述运动规划数据，调整所述人形机器人的当前姿态；采用分段运动策略调节上半身和/或下半身的位置和角度，直至恢复至所述平稳姿态；

若否，则判定运动受阻，停止姿态调整，生成警告。

第二方面，本发明提供一种人形机器人跌倒控制装置，包括：

监测模块，用于实时获取所述人形机器人的状态数据；所述状态数据包括重心位置、运动速度和加速度；

预测模块，用于根据所述状态数据预测所述人形机器人的当前状态；

保护模块，用于在所述当前状态为高风险跌倒状态时，则控制所述人形机器人执行跌倒保护动作。

第三方面，本发明提供一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序以实施前述实施方式中任一项所述的人形机器人跌倒控制方法。

第四方面，本发明提供一种计算机存储介质，其存储有计算机程序，所述计算机程序在处理器上执行时，实施根据前述实施方式中任一项所述的人形机器人跌倒控制方法。

本申请中提供的人形机器人跌倒控制方法通过实时获取包括重心位置、运动速度和加速度在内的状态数据，有效克服了传统依赖单一IMU数据的局限性，提高了跌倒预测的精确性。它能够在预测到高风险跌倒状态时立即控制机器人执行保护动作，提供了一种更为灵活和及时的响应机制，减少了结构性损伤的风险，并降低了对周围人员的安全威胁。此外，该方法通过增强机器人的环境适应性和自主性，提高了其在复杂环境中的稳定性和安全性，同时减少了维护和运营成本，延长了机器人的使用寿命。综上所述，这种方法显著提升了人形机器人的实用性和市场竞争力，使其在家庭、工业、救援等多种场景中具有更广泛的应用前景。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对本申请保护范围的限定。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相关的附图。

图1为本发明人形机器人跌倒控制方法实施例涉及的硬件运行环境的结构示意图；

图2为本发明人形机器人跌倒控制方法第1实施例的流程示意图；

图3为本发明人形机器人跌倒控制方法第2实施例中步骤S200细化的流程示意图；

图4为本发明人形机器人跌倒控制方法第3实施例中包括步骤S300细化的整体流程示意图；

图5为本发明人形机器人跌倒控制方法第3实施例中包括步骤S310细化的流程示意图；

图6为本发明人形机器人跌倒控制方法第4实施例中步骤S400-步骤S800的补充流程示意图；

图7为本发明人形机器人跌倒控制装置的模块连接示意图；

图8为本发明人形机器人跌倒控制装置的整体结构和工作流程示意图；

图9为本发明人形机器人跌倒控制装置执行方法时针对3个不同阶段的流程示意图。

具体实施方式

下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。

通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。

在下文中，可在本申请的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。

此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本申请的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本申请的各种实施例中被清楚地限定。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互结合。

如图1所示，是本发明实施例涉及的终端的硬件运行环境的结构示意图。

本发明实施例人形机器人跌倒控制系统，可以为PC，也可以是智能手机、平板电脑或者便携计算机等可移动式终端设备等。该人形机器人跌倒控制系统中可以包括：处理器1001、例如CPU，网络接口1004、用户接口1003、存储器1005和通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏、输入单元比如键盘、遥控器，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。可选地，人形机器人跌倒控制系统还可以包括RF(Radio Frequency，射频)电路、音频电路、WiFi模块等等。此外，该人形机器人跌倒控制系统还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

本领域技术人员可以理解，图1中示出的人形机器人跌倒控制系统并不构成对其的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。如图1所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、数据接口控制程序、网络连接程序以及人形机器人跌倒控制程序。

总之，本发明所提供的方法，通过实时监测关键状态数据提高了跌倒预测的准确性，并能够迅速响应高风险跌倒状态，执行保护动作。这种方法减少了机器人结构损伤，降低了对周围人员的安全风险，并提高了机器人的环境适应性和经济性，增强了其在多变环境中的稳定性和可靠性。

实施例1：

参照图2，本实施例提供一种人形机器人跌倒控制方法，包括：

步骤S100，实时获取所述人形机器人的状态数据；所述状态数据包括重心位置、运动速度和加速度。

本实施例中所提到的人形机器人，即仿人机器人，是设计模仿人类外观和行为的高科技产品，它们拥有类似人的头部、躯干、手臂和腿部结构，能够灵活移动并执行各种动作。这些机器人通常具备多个自由度，能够双足行走，适应不平坦的地面和上下楼梯，使其在人类生活和工作的环境中能够无缝集成。人形机器人还配备有高级传感器和人工智能技术，包括机器学习、自然语言处理和计算机视觉，以实现自主决策和复杂任务的执行。它们在服务行业、教育、娱乐、工业自动化、灾难救援等多个领域都有广泛的应用，并且作为研究平台推动了运动控制、人机交互和认知科学等相关技术的发展。随着技术的不断进步，人形机器人的自主性和智能水平正在不断提高，它们在人类社会中的作用和影响力也在不断扩大。

人形机器人需要特定的跌倒控制方法，主要是因为它们模仿人类的双足行走机制，这使得它们在动态平衡控制上面临更复杂的挑战，尤其是在适应不平坦地面、楼梯和狭窄空间等复杂环境时。此外，为了确保在与人类互动的环境中工作时的安全性，避免跌倒对人员和设备造成伤害，有效的跌倒控制方法至关重要。最后，跌倒控制方法有助于降低维护成本、延长使用寿命，并提高任务执行效率，从而提升人形机器人的经济性和实用性。

上述步骤中，涉及使用传感器实时监测人形机器人的关键状态数据。状态数据包括重心位置、运动速度和加速度，这些数据对于评估机器人的稳定性和预测跌倒风险至关重要。通过实时获取这些数据，可以准确捕捉机器人的运动状态和可能的失衡趋势，为后续的跌倒预测提供必要的信息。

具体的，可以通过集成在机器人内部的传感器如惯性测量单元(IMU)、力传感器等实现。IMU可以提供关于加速度和角速度的数据，而力传感器可以提供关于机器人与地面接触力的信息，这些数据共同帮助确定重心位置。

步骤S200，根据所述状态数据预测所述人形机器人的当前状态。

上述，分析第一步获取的状态数据，使用算法来预测机器人的当前稳定性状态，判断是否存在跌倒的风险。预测结果可以帮助识别机器人是否处于高风险跌倒状态，从而提前采取措施。

具体可以采用机器学习算法，如随机森林、支持向量机(SVM)或神经网络，来根据历史数据训练模型，实现对跌倒风险的预测。

步骤S300，若所述当前状态为高风险跌倒状态，则控制所述人形机器人执行跌倒保护动作。

上述，当预测结果显示机器人处于高风险跌倒状态时，系统将自动触发预设的跌倒保护动作，以减少跌倒造成的伤害。执行跌倒保护动作可以显著减少机器人在跌倒时受到的损伤，保护关键部件，同时确保机器人能够快速恢复到正常状态。

跌倒保护动作可以通过预设的控制策略实现，如调整关节角度以吸收冲击、启动柔顺控制以减少关节损伤等。具体的控制算法可以采用PID控制或更高级的自适应控制算法。

本实施例中提供的人形机器人跌倒控制方法通过实时获取包括重心位置、运动速度和加速度在内的状态数据，有效克服了传统依赖单一IMU数据的局限性，提高了跌倒预测的精确性。它能够在预测到高风险跌倒状态时立即控制机器人执行保护动作，提供了一种更为灵活和及时的响应机制，减少了结构性损伤的风险，并降低了对周围人员的安全威胁。此外，该方法通过增强机器人的环境适应性和自主性，提高了其在复杂环境中的稳定性和安全性，同时减少了维护和运营成本，延长了机器人的使用寿命。综上所述，这种方法显著提升了人形机器人的实用性和市场竞争力，使其在家庭、工业、救援等多种场景中具有更广泛的应用前景。

实施例2：

参照图3，本实施例提供一种人形机器人跌倒控制方法，基于上述实施例1，所述步骤S200，根据所述状态数据预测所述人形机器人的当前状态，包括：

步骤S210，采用模型预测控制算法，以所述重心位置、所述运动速度和所述加速度为输入，利用机器人全身动力学模型判断所述人形机器人是否达到预设触发条件。

上述步骤中涉及使用模型预测控制(Model Predictive Control,MPC)算法来处理实时获取的状态数据。MPC是一种先进的控制策略，它使用机器人的动力学模型来预测未来的行为，并优化控制输入。通过使用MPC，可以根据机器人的动力学模型预测其未来状态，从而更准确地判断跌倒风险。

具体实现MPC需要建立一个机器人的数学模型，该模型描述了机器人的动力学行为，包括重心位置、运动速度和加速度之间的关系。

上述，将实时获取的重心位置、运动速度和加速度数据作为MPC算法的输入参数。这些数据提供了机器人当前的运动状态，MPC算法可以利用这些信息来预测未来的状态，从而做出更准确的控制决策。

这些数据可以通过传感器直接测量获得，如IMU传感器提供加速度和角速度数据，而运动速度可以通过积分加速度数据获得。

上述，使用机器人的全身动力学模型来评估当前状态数据，并判断是否满足预设的跌倒风险触发条件。通过全身动力学模型，可以更全面地理解机器人的运动状态，从而更准确地识别跌倒风险。具体可以需要一个复杂的数学模型，该模型能够描述机器人所有关节和身体部分的动力学行为。这个模型可以是基于物理的模型，也可以是数据驱动的模型。

步骤S220，若是，则判定所述人形机器人的所述当前状态为高风险跌倒状态。

步骤S230，若否，则判定所述人形机器人的所述当前状态不为高风险跌倒状态。

上述，根据MPC算法的预测结果来最终确定机器人是否处于高风险跌倒状态。这种判断提供了一个明确的决策依据，使机器人能够在预测到高风险跌倒时迅速采取保护措施。

可以设置一系列阈值或规则，当MPC算法的预测结果超过这些阈值时，即判定为高风险跌倒状态。

进一步的，所述预设触发条件包括如下条件中的至少一条：

A、所述重心位置超出预设安全范围。

上述，监测人形机器人的重心位置，并与预设的安全范围进行比较。如果机器人的重心位置超出了这个范围，这可能意味着机器人即将失去平衡。通过监测重心位置，可以在机器人即将跌倒之前及时识别风险，从而采取预防措施。可以通过集成在机器人内部的传感器，如IMU，来实时监测重心位置。然后，将监测到的重心位置与预设的安全范围进行比较。

例如，假设C为当前重心位置，C_safe为预设的安全范围，则：如果∣C-C_safe∣>∈,则触发跌倒保护动作。其中∈为设定的阈值，表示安全范围的边界。

B、所述加速度的变化超过预设加速度变化阈值。

上述，该条件涉及监测人形机器人的加速度变化，并与预设的加速度变化阈值进行比较。如果加速度变化超过了这个阈值，可能意味着机器人遇到了突然的外力或剧烈的运动。通过监测加速度变化，可以检测到可能导致跌倒的突然运动或冲击。

可以通过IMU传感器监测加速度的变化。然后，计算加速度的变化率，并与预设的阈值进行比较。

例如，假设a为当前加速度，a_th预设的加速度变化阈值，则：如果∣a-a_prev∣>a_th,则触发跌倒保护动作其中a_prev为前一时刻的加速度。

C、所述运动速度的下降速度超出预设下降阈值。

上述条件，涉及监测人形机器人的运动速度下降情况，并与预设的下降阈值进行比较。如果速度下降过快，可能意味着机器人正在失去动力或控制。通过监测运动速度的下降，可以识别机器人可能的失控状态，及时采取措施防止跌倒。可以通过速度传感器监测运动速度的变化。然后，计算速度的变化率，并与预设的阈值进行比较。

例如，假设v为当前速度，v_th为预设的速度下降阈值，则：如果d_v/d_t<-v_th,则触发跌倒保护动作；其中d_v/d_t表示速度的变化率。

实施例3：

参照图4，本实施例提供一种人形机器人跌倒控制方法，基于上述实施例1，进一步的，所述步骤S300中，跌倒保护动作包括：

步骤S310，确认跌倒方向和与所述跌倒方向对应的当前机器人重点保护区域。所述当前机器人重点保护区域包括腿部、脆弱关节和碰撞关节；所述脆弱关节包括手部关节和头部关节；所述碰撞关节包括膝关节、髋关节和肘关节中的至少一个。

需要说明的是，确认跌倒方向和确定对应的重点保护区域，对于人形机器人的跌倒控制至关重要，因为这允许机器人进行针对性保护，优化有限的控制资源分配，减少二次伤害的风险，提高从跌倒状态恢复的效率，规划适应性动作以减轻冲击，增强在人类环境中工作的安全性，提升机器人的可靠性和鲁棒性，以及改善与人类的互动体验。通过这种预测和保护措施，人形机器人能够在面临跌倒情况时做出更快速、更有效的反应，从而最大限度地减少损伤，保障机器人及周围人员的安全。

上述步骤，涉及在预测到跌倒风险后，快速识别跌倒的方向，并确定机器人需要重点保护的区域，如腿部、脆弱关节(手部关节和头部关节)和可能发生碰撞的关节(膝关节、髋关节和肘关节)。通过迅速识别跌倒方向和重点保护区域，可以有针对性地执行保护动作，减少损伤。

可以通过分析传感器数据，如加速度计和陀螺仪的数据，来确定跌倒方向。然后根据跌倒方向，确定需要重点保护的区域。

步骤S320，控制所述腿部构成屈腿状态，降低所述人形机器人的重心。

这一步涉及在预测到跌倒时，通过控制腿部关节使机器人腿部屈曲，以降低重心，减少跌倒时的冲击力。降低重心可以增加稳定性，减少跌倒时的伤害。具体的，可以通过电动伺服电机控制腿部关节的角度，实现屈腿动作。

步骤S330，控制所述脆弱关节调整至安全姿态。

上述，在跌倒或触地前，调整手部关节和头部关节至安全姿态，如握拳、屈肘至胸前区域、头部倾斜构成低头状态。调整脆弱关节至安全姿态可以减少这些部位在跌倒时受到的损伤。可以预设一系列的安全姿态，并在检测到跌倒风险时，通过控制算法调整关节至这些姿态。

其中，所述安全姿态包括如下方法中的至少一个：

A、调整手部关节构成握拳状态；

B、调整手部关节屈肘至胸前区域；

C、调整头部朝向胸前方向倾斜构成低头状态。

上述，机器人在跌倒初期，采用运动规划的方式，将手部关节握拳，并屈肘使手部在胸前，受肘关节保护。向后摔倒时，为了避免头部受到碰撞，同样在跌倒初期，采用运动规划的方式将头部向下低。

步骤S340，控制所述碰撞关节开启柔顺碰撞功能。

上述，所述柔顺碰撞功能，指该关节在受到外力时，可以跟随外力方向和大小进行相应的运动，通过这种弹性的碰撞方式，可以减少对关节的冲击。

上述，在跌倒时，开启膝关节、髋关节和肘关节等易发生碰撞的关节的柔顺功能，以减少冲击。柔顺功能可以使关节在受到冲击时有一定的变形空间，减少对关节的损伤。可以通过改变关节的刚度参数，或者使用特殊的柔顺控制算法来实现。

具体的，实现跌倒保护动作的具体方法可以包括，首先可以使用传感器数据(如IMU)来预测跌倒方向和计算跌倒时间；然后，采用PID控制或其他机器人控制算法来精确调整关节角度；以及，使用柔顺控制算法来动态调整关节的刚度，以适应不同的冲击情况。

需要说明的是，步骤S320～步骤S340，可以任意一个步骤在先进行，也可以同时进行。

进一步的，参考图5，所述步骤S310，确认跌倒方向和与所述跌倒方向对应的当前机器人重点保护区域，包括：

步骤S311，利用惯性测量单元实时监测所述人形机器人的姿态角数据；所述姿态角数据包括仰角和/或翻转角的绝对值。

需要说明的是，仰角(pitch)，亦即俯仰角，用来描述机器人绕其横轴(左右方向)的旋转角度。正值表示机器人头部向上、尾部向下的旋转，负值表示相反方向的旋转。翻转角(Roll)，亦即横滚角，用来描述机器人绕其纵轴(前后方向)的旋转角度。正值表示机器人右侧向上、左侧向下的旋转，负值表示相反方向的旋转。

仰角和翻转角是评估人形机器人姿态稳定性的关键参数，它们不仅能够帮助预测跌倒方向，如通过分析它们的绝对值来判断机器人是否向前或向后倾斜，还能在超过预设阈值时触发保护动作，以稳定机器人或启动紧急保护措施。此外，控制这些姿态角对于维持动态平衡至关重要，它们允许机器人实时调整步态和关节角度，适应不同的地面条件和运动要求。准确监测仰角和翻转角对于提高人形机器人的安全性也非常重要，有助于避免跌倒和减少损伤风险，特别是在与人类互动的环境中。因此，pitch和roll的绝对值对于评估和控制人形机器人的姿态稳定性、预测跌倒风险、触发保护动作和维持动态平衡都至关重要。

上述步骤中，使用惯性测量单元(IMU)来实时监测人形机器人的仰角和/或翻转角。通过监测这些姿态角，可以实时了解机器人的动态稳定性，为后续的跌倒风险评估提供关键数据。

IMU传感器能够提供连续的姿态角数据，这些数据可以直接用于后续的分析和处理。

步骤S312，若所述姿态角达到0.5弧度，则判定所述人形机器人当前为不稳定状态，并将所述腿部和/或所述脆弱关节作为所述当前机器人重点保护区域。

上述，将监测到的姿态角数据与预设的阈值(0.5弧度)进行比较，以判断机器人是否处于不稳定状态。设定阈值可以帮助快速识别机器人的不稳定状态，并及时采取措施，如将腿部和脆弱关节作为重点保护区域。

具体可以采用简单的比较算法，当姿态角的绝对值超过0.5时，触发相应的保护措施。如果∣姿态角∣>0.5弧度,则判定为不稳定状态。

步骤S313，若所述姿态角达到1.05弧度，则判定所述人形机器人当前为倾倒状态，并将所述碰撞关节作为所述当前机器人重点保护区域。

上述，将姿态角数据与另一个预设的阈值(1.05弧度)进行比较，以判断机器人是否处于倾倒状态。更高的阈值表示更严重的不稳定状态，此时需要对可能发生碰撞的关节进行重点保护。

类似于前述步骤S312，采用比较算法，但使用更高的阈值来触发更紧急的保护措施。如果∣姿态角∣>1.05弧度，则判定为倾倒状态。

进一步的，所述步骤S340中，柔顺碰撞功能包括：

步骤S341，实时监测所述碰撞关节受到的外力和实际速度；当感知到所述外力作用到所述碰撞关节时，根据动力学模型计算关节产生的关节加速度。

上述，使用传感器实时监测人形机器人的碰撞关节(如膝关节、髋关节和肘关节)受到的外力和实际速度。通过监测外力和速度，可以及时响应外部冲击，减少关节损伤。

可以通过力传感器和速度传感器来监测这些参数，或者使用IMU传感器来估计速度和加速度。

当外力作用于关节时，使用动力学模型计算关节加速度。

例如，以髋关节x方向为例，机器人与外界环境交互模型，可简化为质量-弹簧-阻尼模型，其动力学方程可表示为：

其中，F代表跌倒碰撞力；M代表所述碰撞关节的质量参数；D代表所述碰撞关节的阻尼参数；v_real代表所述实际速度；x_real代表所述实际的空间位置；代表所述碰撞关节的所述关节加速度的变化率；v_des代表期望的速度；x_des代表期望的空间位置；K代表所述碰撞关键的刚度参数；

由于人形机器人跌倒后，跟随碰撞外力运动，因此有：

v_des＝0；刚度参数K＝0，因此，可以将上述公式1进一步简化，则有如下动力学模型的表达式：

其中，F代表跌倒碰撞力；M代表所述碰撞关节的质量参数；D代表所述碰撞关节的阻尼参数；v_real代表所述实际速度；代表所述碰撞关节的所述关节加速度的变化率。

通过上述模型帮助计算在外力作用下关节应有的运动，使得关节能够顺应外力，减少冲击损伤。

步骤S342，利用所述关节加速度控制所述碰撞关节顺应所述外力运动；以及，根据所述碰撞关节的所述实际速度动态调整所述阻尼参数和所述质量参数。

上述，根据计算出的关节加速度，控制关节的运动，使其顺应外力，实现柔顺碰撞。通过顺应外力，关节可以减少冲击和损伤，提高机器人的安全性和可靠性。可以通过调整关节的控制算法，如PID控制器，来实现柔顺控制。

然后，根据关节的实际速度，动态调整阻尼参数D和质量参数M，以优化柔顺碰撞的效果。动态调整参数可以使得关节的响应更加适应当前的运动状态，提高保护效果。具体可以通过反馈控制算法，根据实际速度的变化，实时调整D和M。

实施例4：

参照图6，本实施例提供一种人形机器人跌倒控制方法，基于上述实施例1，所述步骤S300，控制所述人形机器人执行跌倒保护动作之后，还包括：

步骤S400，对所述人形机器人进行故障自检、姿态位置检测和环境感知，并分别得到自检结果、姿态位置信息和环境感知结果。

需要说明的是，在执行跌倒保护动作之后进行故障自检、姿态位置检测和环境感知是为了全面评估机器人的状态和安全性。故障自检确保机器人在跌倒后没有结构性损伤或功能故障，姿态位置检测提供机器人当前的精确位置和姿态信息，这对于规划恢复动作至关重要。环境感知确保在机器人恢复过程中周围环境是安全的，没有障碍物会妨碍恢复动作或对机器人及周围人员造成额外风险。这些步骤有助于避免二次伤害，提高恢复成功率，并使机器人能够适应不断变化的环境条件。同时，收集的数据可以用于后续分析，以改进机器人的设计和跌倒恢复算法，减少未来跌倒的风险，增强机器人的自主性和智能化水平，并确保符合安全标准和法规要求。

上述步骤，涉及在执行跌倒保护动作之后，对机器人进行一系列的检查和检测，包括故障自检、姿态位置检测和环境感知。通过这些检测，可以评估机器人的健康状况、当前姿态和周围环境，为后续的恢复动作提供必要的信息。故障自检可以通过内置的诊断系统实现，姿态位置检测可以通过IMU和其他传感器共同实现，环境感知可以通过视觉系统和传感器实现。

例如，首先人形机器人进行各部分的故障自检，检测是否受到结构性损伤，如关节损坏、电机故障等。然后使用内置的传感器(如陀螺仪、加速度计)来检测机器人的姿态位置检测，即检测当前姿态和位置。以及，利用机器人的视觉系统进行环境感知，确认周围没有障碍物会妨碍站立过程。利用物理引擎或动态模型模拟机器人从当前状态站立起来的过程，评估是否有可能成功。确定机器具备正常运动的条件，再启动恢复程序。

步骤S500，根据所述自检结果、所述姿态位置信息和所述环境感知结果，建立运动规划数据。

需要说明的是，在调整人形机器人当前姿态之前，首先建立运动规划数据并进行模拟，是为了确保所规划的恢复动作既安全又可行，同时优化恢复路径以提高效率。这一步骤允许机器人在实际动作执行前预测和规避潜在风险，验证恢复动作的适应性和灵活性，并减少因错误操作导致的损伤和维护成本。此外，它增强了机器人的自主决策能力，提高了执行复杂任务的可靠性，并有助于建立用户对机器人性能的信任。通过数据驱动的决策，机器人能够更加科学和精确地处理异常情况，确保在不确定或动态变化的环境中安全、有效地恢复到平稳状态。

上述，根据检测结果，建立运动规划数据，为机器人的恢复动作提供指导。运动规划数据可以帮助机器人确定如何安全、有效地从当前姿态恢复到平稳姿态。可以使用路径规划算法，如A*算法或RRT算法，结合机器人的动力学模型和环境信息，生成运动规划数据。

上述，A*算法(A Star Algorithm)是一种启发式搜索算法，用于在图中找到从起始点到目标点的最短路径。它结合了Dijkstra算法(保证找到最短路径)和贪婪最佳优先搜索(在每一步选择最有前途的节点进行扩展)的特点。

上述，RRT算法(Rapidly-exploring Random Tree)是一种用于解决非结构化环境中的路径规划问题的采样基树搜索算法。它特别适用于高维空间和复杂障碍物环境。

这两种算法都适用于机器人路径规划，选择哪种算法取决于具体的应用场景和需求。A*算法适合于网格地图和已知环境的路径规划，而RRT算法适合于连续空间和复杂环境中的路径规划。

步骤S600，判断所述人形机器人是否能够根据所述运动规划数据模拟恢复至平稳姿态。

这一步涉及模拟机器人根据运动规划数据恢复至平稳姿态的可能性。通过模拟，可以在不实际执行动作的情况下评估恢复动作的可行性，避免可能的危险。可以使用物理引擎或动态模型来模拟机器人的动作，预测恢复过程中可能出现的问题。

步骤S700，若是，则根据所述运动规划数据，调整所述人形机器人的当前姿态；采用分段运动策略调节上半身和/或下半身的位置和角度，直至恢复至所述平稳姿态。

上述，如果模拟结果表明可以恢复至平稳姿态，那么根据运动规划数据调整机器人的姿态。通过调整姿态，可以使机器人恢复到平稳状态，避免跌倒造成的伤害。可以通过控制算法，如PID控制器，来调整关节角度和力度，实现姿态调整。

以及，采用分段运动策略，分阶段调整机器人的上半身和/或下半身，直至恢复至平稳姿态。分段运动策略可以更精细地控制机器人的动作，提高恢复的成功率和安全性。可以设计一套分段运动控制算法，先调整上半身，再调整下半身，逐步恢复至平稳姿态。

例如，如果可以通过运动规划数据模拟达到平稳姿态，则先进行姿态调整，即根据当前的姿态，机器人需要先调整身体各部分的位置，以准备站立。然后机器人会采用分段运动策略，首先将上半身抬起至一定角度，然后是下半身。例如，使用手臂和上半身的重量作为杠杆，通过腿部推动身体向上。在站立过程中，机器人需要不断调整重心，以保持动态平衡。

使用PID控制器或其他控制算法来微调关节运动，以维持平衡。

一旦机器人接近站立状态，它需要精细调整关节角度和力度，最终完成站立。如果站立尝试失败，机器人需要能够重新评估状态，并决定是否再次尝试或寻求其他恢复策略。

步骤S800，若否，则判定运动受阻，停止姿态调整，生成警告。

上述，如果判断运动受阻，无法根据运动规划数据恢复至平稳姿态，则停止姿态调整，并生成警告。及时停止无效或危险的动作，避免进一步的伤害，并提醒操作者或系统采取其他措施。可以通过监控机器人的动作和传感器反馈来判断运动是否受阻，并在必要时停止动作并发出警告。

此外，参考图7，本申请实施例中还提供一种人形机器人跌倒控制装置，包括：

监测模块10，用于实时获取所述人形机器人的状态数据；所述状态数据包括重心位置、运动速度和加速度；

预测模块20，用于根据所述状态数据预测所述人形机器人的当前状态；

保护模块30，用于在所述当前状态为高风险跌倒状态时，则控制所述人形机器人执行跌倒保护动作。

此外，在一些实施方式中，参考图8，本申请实施例中还提供一种人形机器人跌倒控制装置，包括：

传感器模块40：该模块集成了多种传感器，包括但不限于陀螺仪、加速度计、足底六维力传感器等，用于实时采集人形机器人的姿态、速度、地面接触力等信息。

数据处理模块50：该模块对传感器模块所采集的数据进行实时处理，通过信号滤波和特征值提取等技术，为后续的预测模块提供准确的数据基础。

预测模块60：利用机器学习算法和模型，结合数据处理模块提取的特征值，对机器人的跌倒可能性进行评估，并在预测到跌倒风险时，确定跌倒的方向和可能触地的关节。

控制模块70：根据预测模块的评估结果，控制模块实时调整机器人的运动状态，以避免跌倒或减轻跌倒带来的损害。

参考图9，基于上述人形机器人跌倒控制装置，针对于人形机器人的跌倒控制，可以分为三个阶段：机身稳定阶段、跌倒保护阶段和跌倒恢复阶段。

(1)机身稳定阶段：在跌倒发生前，姿态检测系统与平衡稳定控制器协同工作，通过IMU获取机身姿态角度，并利用足底六维力传感器测量机器人与地面的接触力。结合这些数据，系统计算出零力矩点(ZMP)，并实时调整机器人腰部和髋关节位置，以确保机身重心保持在支撑多边形内。如果外力干扰导致ZMP超出支撑多边形，机器人会根据IMU和ZMP数据调整步态，尝试恢复平衡。当这些调整策略无法恢复平衡时，系统将判断跌倒方向并启动跌倒保护功能。

(2)跌倒保护阶段：一旦跌倒发生，系统将执行以下保护动作：

根据预测的跌倒方向，判断哪些关节将首先接触地面及其受力方向。

腿部膝关节和髋关节迅速执行保护动作，降低重心，以减少倒地时的冲击力。

具有柔顺拖动功能的关节在触地前开启柔顺状态，以弹性方式接触地面，减轻对关节的损伤。

脆弱关节如手指、手腕和头部自我调整至安全姿态，避免直接撞击地面。

对于易发生碰撞的关节和部位，增加柔顺控制弹性因子，并在外部增加保护材料，以进一步减少冲击力。

(3)跌倒恢复阶段：跌倒发生后，机器人通过IMU数据、关节电机位置数据和力传感器数据自我判断机身状态，包括检查是否有电机异常，并判断当前姿态。针对不同的跌倒姿态，如平躺、趴卧、侧卧或其他情况，机器人将进行分类处理。通过运动规划，机器人调整至一个平稳的姿态或恢复到正常工作状态，以实现自主恢复。

本申请还提供了一种计算机设备，示范性地，该计算机设备包括处理器和存储器，其中，存储器存储有计算机程序，处理器通过运行所述计算机程序，从而使计算机设备执行上述的人形机器人跌倒控制方法或者上述人形机器人跌倒控制装置中的各个模块的功能。

其中，处理器可以是一种具有信号的处理能力的集成电路芯片。处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、图形处理器(GraphicsProcessing Unit，GPU)及网络处理器(Network Processor，NP)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件中的至少一种。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，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。

存储器可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器用于存储计算机程序，处理器在接收到执行指令后，可相应地执行所述计算机程序。

本申请还提供了一种计算机存储介质，用于储存上述计算机设备中使用的所述计算机程序。其中，该计算机存储介质可以为可读存储介质，也可以是非易失性存储介质或是易失性存储介质。例如，该计算机存储介质可包括但不限于为：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。

所述功能如果以软件功能模块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取存储介质中。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或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。

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，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。

Claims (9)

1.一种人形机器人跌倒控制方法，其特征在于，包括：

实时获取所述人形机器人的状态数据；所述状态数据包括重心位置、运动速度和加速度；

根据所述状态数据预测所述人形机器人的当前状态；

若所述当前状态为高风险跌倒状态，则控制所述人形机器人执行跌倒保护动作；所述跌倒保护动作包括：

确认跌倒方向和与所述跌倒方向对应的当前机器人重点保护区域，包括：利用惯性测量单元实时监测所述人形机器人的姿态角数据；所述姿态角数据包括仰角和/或翻转角的绝对值；若所述姿态角达到0.5弧度，则判定所述人形机器人当前为不稳定状态，并将腿部和/或脆弱关节作为所述当前机器人重点保护区域；若所述姿态角达到1.05弧度，则判定所述人形机器人当前为倾倒状态，并将碰撞关节作为所述当前机器人重点保护区域。

2.如权利要求1所述人形机器人跌倒控制方法，其特征在于，所述根据所述状态数据预测所述人形机器人的当前状态，包括：

采用模型预测控制算法，以所述重心位置、所述运动速度和所述加速度为输入，利用机器人全身动力学模型判断所述人形机器人是否达到预设触发条件；

若是，则判定所述人形机器人的所述当前状态为高风险跌倒状态；

若否，则判定所述人形机器人的所述当前状态不为高风险跌倒状态。

3.如权利要求2所述人形机器人跌倒控制方法，其特征在于，所述预设触发条件包括如下条件中的至少一条：

A、所述重心位置超出预设安全范围；

B、所述加速度的变化超过预设加速度变化阈值；

C、所述运动速度的下降速度超出预设下降阈值。

4.如权利要求1所述人形机器人跌倒控制方法，其特征在于，所述当前机器人重点保护区域包括腿部、脆弱关节和碰撞关节；所述脆弱关节包括手部关节和头部关节；所述碰撞关节包括膝关节、髋关节和肘关节中的至少一个；

所述跌倒保护动作还包括：

控制所述腿部构成屈腿状态，降低所述人形机器人的重心；

控制所述脆弱关节调整至安全姿态；

控制所述碰撞关节开启柔顺碰撞功能；

其中，所述安全姿态包括如下方法中的至少一个：

A、调整手部关节构成握拳状态；

B、调整手部关节屈肘至胸前区域；

C、调整头部朝向胸前方向倾斜构成低头状态。

5.如权利要求4所述人形机器人跌倒控制方法，其特征在于，所述柔顺碰撞功能包括：

实时监测所述碰撞关节受到的外力和实际速度；当感知到所述外力作用到所述碰撞关节时，根据动力学模型计算关节产生的关节加速度；所述动力学模型的表达式为：

；

其中，F代表跌倒碰撞力；M代表所述碰撞关节的质量参数；D代表所述碰撞关节的阻尼参数；v_real代表所述实际速度；代表所述碰撞关节的所述关节加速度的变化率；

利用所述关节加速度控制所述碰撞关节顺应所述外力运动；以及，根据所述碰撞关节的所述实际速度动态调整所述阻尼参数和所述质量参数。

6.如权利要求1所述人形机器人跌倒控制方法，其特征在于，所述控制所述人形机器人执行跌倒保护动作之后，还包括：

对所述人形机器人进行故障自检、姿态位置检测和环境感知，并分别得到自检结果、姿态位置信息和环境感知结果；

根据所述自检结果、所述姿态位置信息和所述环境感知结果，建立运动规划数据；

判断所述人形机器人是否能够根据所述运动规划数据模拟恢复至平稳姿态；

若是，则根据所述运动规划数据，调整所述人形机器人的当前姿态；采用分段运动策略调节上半身和/或下半身的位置和角度，直至恢复至所述平稳姿态；

若否，则判定运动受阻，停止姿态调整，生成警告。

7.一种人形机器人跌倒控制装置，其特征在于，包括：

监测模块，用于实时获取所述人形机器人的状态数据；所述状态数据包括重心位置、运动速度和加速度；

预测模块，用于根据所述状态数据预测所述人形机器人的当前状态；

保护模块，用于在所述当前状态为高风险跌倒状态时，则控制所述人形机器人执行跌倒保护动作；所述跌倒保护动作包括：

确认跌倒方向和与所述跌倒方向对应的当前机器人重点保护区域，包括：利用惯性测量单元实时监测所述人形机器人的姿态角数据；所述姿态角数据包括仰角和/或翻转角的绝对值；若所述姿态角达到0.5弧度，则判定所述人形机器人当前为不稳定状态，并将腿部和/或脆弱关节作为所述当前机器人重点保护区域；若所述姿态角达到1.05弧度，则判定所述人形机器人当前为倾倒状态，并将碰撞关节作为所述当前机器人重点保护区域。

8.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序以实施权利要求1-6中任一项所述的人形机器人跌倒控制方法。

9.一种计算机存储介质，其特征在于，其存储有计算机程序，所述计算机程序在处理器上执行时，实施根据权利要求1-6中任一项所述的人形机器人跌倒控制方法。