CN101587329A - 机器人预测的方法和*** - Google Patents

Abstract

本发明公开了一种机器人预测的方法和***，属于机器人领域。所述方法包括：获取当前时刻机器人在作业场景中的位姿信息和多个自由度的角度信息；采用时间序列算法对获取的位姿信息和角度信息进行运算，得到下一时刻机器人的位姿信息和该多个自由度的角度信息；根据所述下一时刻的位姿信息和角度信息驱动机器人模型在作业场景模型中运动，得到对机器人预测的结果，并显示所述预测的结果。所述***包括：获取模块、运算模块和预测显示模块。本发明使操作人员能够提前看到机器人的工作状况，以便操作人员根据这些情况来帮助操作或正确的控制机器人动作。可以实现全视角观察图像，控制灵活，方便使用。

Description

机器人预测的方法和***

技术领域

本发明涉及机器人领域，特别涉及一种机器人预测的方法和***。

背景技术

机器人预测研究是机器人研究中最重要的研究方向之一，所谓机器人预测有两个方向。其一是对机器人在运动过程中所出现的状况进行模拟，并期望查找出不合理的地方以便进行改正；其二是利用预测结果来实时了解机器人的工作状况，根据了解的信息来帮助操作或正确地控制机器人动作。机器人预测技术牵涉到众多学科，如数据挖掘、数据信息处理、计算机图像处理、虚拟现实以及可视化技术等等。

遥操作是机器人应用的一个重要技术。通过遥操作平台，操作人员可以监视和控制远方机器人完成各种作业任务，从而使机器人能够代替人类在一些无法触及的、甚至一些危及人类健康或生命安全的环境下完成各种任务。预测是遥操作***中的一项关键技术。目前的预测***可以实现机器人的运动学和动力学仿真，并且可以实现仿人机器人实时碰撞检测，可以实现由遥操作者发出的操作命令的预测显示。

预测显示技术是大时延遥操作中的一项关键技术。通过预测显示技术对大时延进行补偿。网络时延的存在为操作***的感知和控制带来了许多问题，它导致***的不稳定，从而严重地降低了***的操作性能。预测可用来克服遥操作***中时延影响，预测对操作员有很好的指导和提示作用，减少了时延影响，提高***的可操作性。

现有技术一为日本通产省的仿人机器人计划(HRP，Humanoid Robot Project)资助FumioKanehiro等人开发了虚拟仿人机器人仿真平台，该仿真平台具有与真实机器人相同的控制器结构模型和机械结构模型，可以实现机器人的运动学和动力学仿真，并且可以实现仿人机器人实时碰撞检测，可以实现由遥操作者发出的操作命令的预测显示。但是，该仿真平台模拟显示的是理想情况，运行中并不采用机器人实时数据，因此，无法反映实际机器人运行信息。

现有技术二为T.B.Sheridan等对行星漫游车做的预测仿真。首先建立***运行的仿真模型，在仿真模型中融合***的当前状态、导数，以及控制输入，然后让仿真模型以比实际过程快得多的速度运行，从而控制行星漫游车的运行。这种技术对单个实体或刚体的连续控制很有效，但不适用于带有多自由度空间物体的遥操作，如具有30多个自由度的仿人机器人的遥操作，这是因为多自由度空间物体不能简单地用一个质点来代替。

发明内容

为了克服上述现有技术的缺陷，本发明提供了一种机器人预测的方法和***。所述技术方案如下：

一种机器人预测的方法，所述方法包括：

获取当前时刻机器人在作业场景中的位姿信息和多个自由度的角度信息；

采用时间序列算法对所述获取的位姿信息和角度信息进行运算，得到下一时刻机器人的位姿信息和该多个自由度的角度信息；

根据所述下一时刻的位姿信息和角度信息驱动机器人模型在作业场景模型中运动，得到对机器人预测的结果，并显示所述预测的结果。

所述获取当前时刻机器人在作业场景中的位姿信息和多个自由度的角度信息，具体包括：

通过安装于机器人作业场景的位置传感器获取当前时刻机器人的位姿信息，并且通过安装于机器人身体多个关节处的角度传感器获取当前时刻机器人的多个自由度的角度信息。

所述获取当前时刻机器人在作业场景中的位姿信息和多个自由度的角度信息，具体包括：

获取当前时刻和以往时刻机器人在作业场景中的位姿信息和多个自由度的角度信息。

所述时间序列算法具体包括：

采用自回归算法、移动平均算法或自回归-移动平均算法。

所述机器人模型为使用三维建模软件制作的，具有与机器人相同的外形特征和自由度设置，满足机器人多连杆机构运动学约束条件；

所述作业场景模型为使用三维建模软件制作的，具有与作业场景相同的外形特征和位置关系。

一种机器人预测的***，所述***包括：

获取模块，用于获取当前时刻机器人在作业场景中的位姿信息和多个自由度的角度信息；

运算模块，用于采用时间序列算法对所述获取模块得到的位姿信息和角度信息进行运算，得到下一时刻机器人的位姿信息和该多个自由度的角度信息；

预测显示模块，用于根据所述运算模块得到的下一时刻的位姿信息和角度信息驱动机器人模型在作业场景模型中运动，得到对机器人预测的结果，并显示所述预测的结果。

所述***还包括：

位置传感器，安装于机器人的作业场景中，用于采集当前时刻机器人的位姿信息，并发送给所述获取模块；

角度传感器，安装于机器人身体多个关节处，用于采集当前时刻机器人的多个自由度的角度信息，并发送给所述获取模块。

所述获取模块具体用于获取当前时刻和以往时刻机器人在作业场景中的位姿信息和多个自由度的角度信息。

所述时间序列算法具体包括：

采用自回归算法、移动平均算法或自回归-移动平均算法。

所述机器人模型为使用三维建模软件制作的，具有与机器人相同的外形特征和自由度设置，满足机器人多连杆机构运动学约束条件；

所述作业场景模型为使用三维建模软件制作的，具有与作业场景相同的外形特征和位置关系。

本发明利用机器人实时反馈数据，采用时间序列算法拟合，计算出未来时刻机器人的运行数据，通过构建的预测场景进行显示，使操作人员能够提前看到机器人的工作状况，以便操作人员根据这些情况来帮助操作或正确的控制机器人动作。其中采用的机器人实际运行反馈数据，由机器人本体上的角度传感器得到的关节数据和位置传感器得到的位姿数据组成，这些数据能完全表达机器人运行情况。另外，机器人模型和作业场景模型均采用三维建模软件构建，可以实现全视角观察图像，操作者可以任意改变观察视角，观察场景的细节，控制灵活，方便使用。

附图说明

图1是本发明实施例提供的机器人预测的方法流程图；

图2是本发明实施例提供的机器人预测的应用场景示意图；

图3是图2所示的***数据处理流程示意图；

图4是本发明实施例提供的机器人预测的***结构图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

本发明实施例提供的技术方案用于对机器人在作业场景中的位置和运动情况进行预测，可以适用于机器人遥操作控制，通过预测对机器人在运动过程中所出现的状况进行模拟，为机器人遥操作提供操作参考依据。

本发明实施例提供的技术方案可以适用于仿人机器人，即具有人类外观特征、可模拟人类基本动作的机器人，另外，还可以适用于其他类型的机器人，如移动机器人、医疗机器人等等。

参见图1，本发明实施例提供了一种机器人预测的方法，包括：

步骤101：获取当前时刻机器人在作业场景中的位姿信息和多个自由度的角度信息，这些信息能完全表达机器人的运行情况；

其中，机器人在作业场景中的位姿信息是指机器人的位置和姿态，通常用三维坐标数据和相对三维坐标轴转角来表示。机器人的自由度通常有多个，例如，30个或32个等。通常，机器人自由度的角度信息是指机器人身体各个关节所连接的连杆之间的相对角度数据，每个自由度都对应一个角度信息。

机器人的位姿信息可以由安装于机器人作业场景的位置传感器获取，该位置传感器可以为一个，也可以为多个。自由度的角度信息可以由安装于机器人身体多个关节处的角度传感器获取。

在获取多个自由度的角度信息时，可以获取机器人所有自由度的角度信息，也可以获取部分自由度的角度信息。优选地，获取机器人的所有自由度的角度信息，可以更精确地反映机器人的运行状况。例如，机器人有32个自由度，即有32个关节，在每个关节上安装有角度传感器，可以采集其中28个角度传感器测量的角度信息，或者采集其中30个角度传感器测量的角度信息，优选地，采集32个角度传感器测量的角度信息。

步骤102：采用时间序列算法对获取的位姿信息和角度信息进行运算，得到下一时刻机器人的位姿信息和该多个自由度的角度信息；

时间序列(Time Series)分析是概率统计学科的一个分支，是运用概率统计的理论和方法来分析随机数据序列(或称动态数据序列)，可以充分展示各领域内研究或测试对象的统计行为，并将这些行为特征抽象化和模型化，便于了解对象内在的本质和特性，以及进一步应用于预报、预测、自适应控制、空间技术、最佳滤波等诸多领域。

目前常用的时间序列算法有三种：自回归(AR，Auto Regressive)算法、移动平均(MA，Moving Average)算法和自回归-平均移动(ARMA，Auto Regressive Moving Average)算法。本步骤可以采用其中的任一种算法进行运算。

其中AR算法是实际处理中被最广泛采用的算法，本发明实施例优选地采用该算法，其求解方程是一组线性方程，与其相关的线性预测分析也是信号处理中普遍采用的核心技术。该算法描述了随机过程的观测值与其自身前一个或者前几个时刻的观测值有关或有依赖性。在数据处理、曲线拟合、建立经验公式等实际问题中，自回归算法都有广泛的应用。

步骤103：根据得到的下一时刻的位姿信息和角度信息驱动机器人模型在作业场景模型中运动，得到对机器人预测的结果，并显示预测的结果。

其中，下一时刻的角度信息的个数与当前时刻的角度信息的个数是相同的，且一一对应，均对应该多个自由度。例如，获取的当前时刻的角度信息为30个：A1～A30，分别对应机器人第1个～第30个自由度，运算得到的下一时刻的角度信息仍为30个：B1～B30，同样对应机器人第1个～第30个自由度。

在本发明实施例中，在预测之前先使用三维建模软件制作机器人模型和作业场景模型。其中，机器人模型具有与机器人相同的外形特征和自由度设置，满足机器人多连杆机构运动学约束条件；作业场景模型具有与作业场景相同的外形特征和位置关系，可以实现全视角观察，操作者可以任意改变视角，来观察模型的情况。如果机器人的作业场景中存在其他物体，则作业场景模型中也存在该物体的三维模型，从而可以逼真地模拟出机器人的作业场景。

在上述方法中，除了获取当前时刻机器人的位姿信息和多个自由度的角度信息外，还可以获取以往时刻机器人的位姿信息和多个自由度的角度信息。通常，在每个时刻获取位姿信息和角度信息时，都会记录该时刻获取的位姿信息和角度信息。如果不仅获取当前时刻的位姿信息和角度信息，还获取以前时刻的位姿信息和角度信息，则可以从已记录的以往时刻的信息中选取，选取的以往时刻的具体数目根据时间序列算法预测误差最小原则进行设置，可以为一个时刻，也可以为多个时刻。例如，在获取当前时刻t的位姿信息和角度信息的同时，还可以在已记录的信息中选取以往一个时刻t-1的位姿信息和角度信息，或者选取以往3个时刻t-1、t-2和t-3的位姿信息和角度信息，或者选取以往10个时刻的位姿信息和角度信息等，从而运算得到下一时刻t+1的位姿信息和角度信息。其中，t的单位本发明实施例不做具体限定，可以是秒或毫秒等等。

预测显示的结果可以用于遥操作控制，如根据预测显示的结果控制机器人的动作等。

参见图2，为本发明实施例提供的进行机器人预测的***应用场景示意图。该***包括：遥操作控制终端、机器人、位置传感器1～n、预测显示终端和投影屏幕。其中，机器人身体各个关节安装有角度传感器，可以实时地测量出机器人各个自由度的角度信息，并传给遥操作控制终端。位置传感器1，2，...，n安装于机器人作业场景中(n为大于或等于1的自然数)，可以测量出机器人在作业场景中的位姿信息并传给遥操作控制终端。遥操作控制终端内预置有时间序列算法，采用该算法对采集到的位姿信息和角度信息进行运算，得到下一时刻的位姿信息和角度信息，即反馈预测数据，并输出显示到屏幕上，该屏幕可以是遥操作控制终端的屏幕、或者预测显示终端的屏幕、或者专门的投影屏幕等等，由于遥操作控制终端通常都显示操作控制界面，因此，优选地，将预测结果显示到预测显示终端的屏幕上或者通过预测显示终端输出显示到投影屏幕上。其中，机器人作业场景中位置传感器的个数可以根据需要设置为一个或多个，如3个或5个等等。

下面以图2所示的场景为例，参见图3，具体说明上述机器人预测的方法，其步骤如下：

①遥操作控制终端的操作者通过操作界面发送操作命令给机器人；

②机器人的规划控制模块收到该命令后，发送给机器人的执行***，由该执行***控制机器人进行相应的操作；

③机器人身体各个关节上的角度传感器将测量到的各个自由度的实时角度信息返回给遥操作控制终端的操作界面；

④位置传感器将测量到的机器人的实时位姿信息传给遥操作控制终端的操作界面；

⑤遥操作控制终端的操作界面将接收到的角度信息和位姿信息发送给反馈预测计算模块；

⑥遥操作控制终端的反馈预测计算模块用预设的自回归算法对角度信息和位姿信息进行运算，得到下一时刻的角度信息和位姿信息，并将其匹配到预测显示终端的机器人模型上，驱动机器人模型的各个连杆之间运动以及机器人模型在作业场景模型中的位置，来表达机器人在未来时刻的运动，得到对机器人预测的结果，并显示预测的结果给操作者。

其中，步骤③和④不分先后，为同时执行，测得的角度信息和位姿信息为同一时刻的数据，从而保证机器人运行数据反馈的实时性。

参见图4，本发明实施例还提供了一种机器人预测的***，包括：

获取模块401，用于获取当前时刻机器人在作业场景中的位姿信息和多个自由度的角度信息；

运算模块402，用于采用时间序列算法对获取模块401得到的位姿信息和角度信息进行运算，得到下一时刻机器人的位姿信息和该多个自由度的角度信息；

预测显示模块403，用于根据运算模块402得到的下一时刻的位姿信息和角度信息驱动机器人模型在作业场景模型中运动，得到对机器人预测的结果，并显示预测的结果。

进一步地，上述***还包括：

位置传感器404，安装于机器人的作业场景中，用于采集当前时刻机器人402的位姿信息，并发送给获取模块401，该位置传感器404可以为一个或多个；

角度传感器405，安装于机器人身体的多个关节处，用于采集当前时刻机器人402的多个自由度的角度信息，并发送给获取模块401，角度传感器405的个数与机器人402自由度的个数相同。

其中，获取模块401可以具体用于获取当前时刻和以往时刻机器人402在作业场景中的位姿信息和多个自由度的角度信息，从而提高运算的精确度，该以往时刻的个数可以为一个或多个。

上述***中涉及的时间序列算法具体包括：采用自回归算法、移动平均算法或自回归-移动平均算法。其中，机器人模型为使用三维建模软件制作的，具有与机器人相同的外形特征和自由度设置，满足机器人多连杆机构运动学约束条件；作业场景模型为使用三维建模软件制作的，具有与作业场景相同的外形特征和位置关系。

本发明实施例提供的上述获取模块401、运算模块402和预测显示模块403通常用软件来实现，根据需要可以集成于一个设备中，或者设置于两个设备中。例如，获取模块401和运算模块402集成于遥操作控制终端中，预测显示模块403设置在预测显示终端上；或者，获取模块401设置在遥操作控制终端中，运算模块402和预测显示模块403设置在预测显示终端上等等。另外，预测显示模块403也可以直接和投影屏幕相连，将预测结果直接显示在投影屏幕上。

本发明实施例提供的上述方法和***，利用机器人实时反馈数据，采用时间序列算法拟合，计算出未来时刻机器人的运行数据，通过构建的预测场景进行显示，使操作人员能够提前看到机器人的工作状况，以便操作人员根据这些情况来帮助操作或正确的控制机器人动作。其中采用的机器人实际运行反馈数据，由机器人本体上的角度传感器得到的关节数据和位置传感器得到的位姿数据组成，这些数据能完全表达机器人运行情况。另外，机器人模型和作业场景模型均采用三维建模软件构建，可以实现全视角观察图像，操作者可以任意改变观察视角，观察场景的细节，控制灵活，方便使用。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1、一种机器人预测的方法，其特征在于，所述方法包括：

获取当前时刻机器人在作业场景中的位姿信息和多个自由度的角度信息；

采用时间序列算法对所述获取的位姿信息和角度信息进行运算，得到下一时刻机器人的位姿信息和该多个自由度的角度信息；

根据所述下一时刻的位姿信息和角度信息驱动机器人模型在作业场景模型中运动，得到对机器人预测的结果，并显示所述预测的结果。

2、根据权利要求1所述的机器人预测的方法，其特征在于，所述获取当前时刻机器人在作业场景中的位姿信息和多个自由度的角度信息，具体包括：

通过安装于机器人作业场景的位置传感器获取当前时刻机器人的位姿信息，并且通过安装于机器人身体多个关节处的角度传感器获取当前时刻机器人的多个自由度的角度信息。

3、根据权利要求1所述的机器人预测的方法，其特征在于，所述获取当前时刻机器人在作业场景中的位姿信息和多个自由度的角度信息，具体包括：

获取当前时刻和以往时刻机器人在作业场景中的位姿信息和多个自由度的角度信息。

4、根据权利要求1所述的机器人预测的方法，其特征在于，所述时间序列算法具体包括：

采用自回归算法、移动平均算法或自回归-移动平均算法。

5、根据权利要求1所述的机器人预测的方法，其特征在于，

所述机器人模型为使用三维建模软件制作的，具有与机器人相同的外形特征和自由度设置，满足机器人多连杆机构运动学约束条件；

所述作业场景模型为使用三维建模软件制作的，具有与作业场景相同的外形特征和位置关系。

6、一种机器人预测的***，其特征在于，所述***包括：

获取模块，用于获取当前时刻机器人在作业场景中的位姿信息和多个自由度的角度信息；

运算模块，用于采用时间序列算法对所述获取模块得到的位姿信息和角度信息进行运算，得到下一时刻机器人的位姿信息和该多个自由度的角度信息；

预测显示模块，用于根据所述运算模块得到的下一时刻的位姿信息和角度信息驱动机器人模型在作业场景模型中运动，得到对机器人预测的结果，并显示所述预测的结果。

7、根据权利要求6所述的机器人预测的***，其特征在于，所述***还包括：

位置传感器，安装于机器人的作业场景中，用于采集当前时刻机器人的位姿信息，并发送给所述获取模块；

角度传感器，安装于机器人身体多个关节处，用于采集当前时刻机器人的多个自由度的角度信息，并发送给所述获取模块。

8、根据权利要求6所述的机器人预测的***，其特征在于，所述获取模块具体用于获取当前时刻和以往时刻机器人在作业场景中的位姿信息和多个自由度的角度信息。

9、根据权利要求6所述的机器人预测的***，其特征在于，所述时间序列算法具体包括：

采用自回归算法、移动平均算法或自回归-移动平均算法。

10、根据权利要求6所述的机器人预测的***，其特征在于，

所述机器人模型为使用三维建模软件制作的，具有与机器人相同的外形特征和自由度设置，满足机器人多连杆机构运动学约束条件；

所述作业场景模型为使用三维建模软件制作的，具有与作业场景相同的外形特征和位置关系。

Images