CN111055292A - 人机交互安全保障方法、装置及计算机可读存储介质 - Google Patents

Abstract

本发明提供了一种人机交互安全保障方法，具体为：获取限位角度，对所述限位角度进行等分并排列组合，得到关节组合；通过运动学模型计算所述关节组合，得到位置点集合；将所述位置点集合进行聚类，计算所述聚类的距离阈值，所述距离阈值用于判断所述位置点是否在机器人工作空间内；判断人员位置点位于机器人工作空间内的点的数量是否大于预设数量阈值；若是，则停止机器作业。通过上述技术方案，形成了一种人机交互安全保障方法，能够在人员进入到机器人工作空间时，快速停止作业以保护人员的人身安全，保证了人机交互安全性前提下的机器高效率生产作业。此外，本发明的实施方式提供了一种人机交互安全保障方法、装置、设备以及存储介质。

Description

人机交互安全保障方法、装置及计算机可读存储介质

技术领域

本发明属于机器人以及人机交互技术领域，更具体地，涉及一种人机交互安全保障方法、装置、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，机器人的应用遍布制造、服务、医疗等行业，机器人在人类社会的生产、生活扮演着越来越重要的作用。自动化机器能够快速轻松地适应不断变化的生产条件，其需求量日益增长，机器人与人的协作的场景越来越多，人员应当能够不受阻碍地进入，同时免受危险。

现阶段人机协作安全性主要由协作型机器人保证。协作型机器人为了获得控制力和避免碰撞的能力，其运行速度比较慢，往往只有传统机器人的1/3到2/3，并且机器人的重量都比较轻，结构相对简单，导致整个机器人的刚性不足，所以协作机器人的负载往往比较低，工作范围比较小。还有人提出在机器人末端执行器包裹黏弹性材料的方法来提高安全性，该方法可以一定程度上降低冲击力和伤害程度，但该方法过于单一，无法从根本上保证安全。

然而仅仅只拥有在硬件层面对人机交互安全性的保证是不充分的，行业内仍然缺乏高效的人机交互安全性的算法保障，因此保证人机交互安全性前提下的高效率的生产作业成为亟待解决的难题。

发明内容

本发明的目的是提供一种人机交互安全保障方法、装置、设备及存储介质，以保证在高效率的前提下提高人机交互的安全性。

为解决上述技术问题，本发明提供如下技术方案：

获取限位角度，对所述限位角度进行等分并排列组合，得到关节组合；

通过运动学模型计算所述关节组合，得到位置点集合；

将所述位置点集合进行聚类，计算所述聚类的距离阈值，所述距离阈值用于判断所述位置点是否在机器人工作空间内；

判断人员位置点位于机器人工作空间内的点的数目是否大于预设数量阈值；

若是，则停止机器作业。

优选地，通过运动学模型计算所述关节组合，得到位置点集合之后还包括：

对所述位置点集合进行去重，并进行降采样处理。

优选地，通过运动学模型计算所述组合以得到位置点集合包括：

将所述关节组合输入到机器人正运动学模型当中，得到机器人运动的位置点集合。

优选地，将所述位置点集合进行聚类包括：

基于欧拉距离的k-means算法生成聚类；

分别计算各个所述聚类的中心位置。

优选地，计算所述聚类的距离阈值包括：

若聚类属于内部聚类，则距离阈值设置为+∞；

若聚类属于外部聚类，则计算聚类内各位置点到所述聚类中心之间的距离，并对所述距离进行升序排列，排除序列中后1％的距离，将分界的距离值作为距离阈值。

优选地，所述距离阈值用于判断所述位置点是否在机器人工作空间内包括：

若所述位置点属于内部聚类，则直接判断所述位置点在机器人工作空间内；若所述位置点属于外部聚类，则判断位置点欧拉距离与所述距离阈值的大小，若所述欧拉距离小于距离阈值，则判定位置点在机器人工作空间内；若所述欧拉距离大于距离阈值，则判定位置点不在机器人工作空间内。

优选地，判断人员位置点位于机器工作空间内的点的数目是否大于所述预设数量阈值之前还包括：

提取人员的骨架，并对骨架进行离散化，得到离散化骨架点集，将所述骨架点的位置点转换到机器人坐标系中。

优选地，提取人员的骨架包括:

利用包括但不限于RGBD相机、运动捕捉***提取人员骨架。

优选地，判断人员位置点位于机器工作空间内的点的数目是否大于预设数量阈值包括：

判断所述骨架点位于机器人工作空间内的点的数目是否超出预设数量阈值；

若是，则机器人停止作业；

若否，则继续执行利用RGBD相机提取人员的骨架，并将骨架进行离散化为骨架点集步骤。

此外，为实现上述目的，本发明还提出人机交互安全保障装置，所述人机交互安全保障装置：

排列组合模块，用于获取限位角度，并对所述限位角度进行等分并排列组合，得到关节组合；

计算模块，用于通过运动学模型计算所述关节组合，得到位置点集合；

聚类模块，用于将所述位置点集合进行聚类，并计算所述聚类的距离阈值，所述距离阈值用于判断所述位置点是否在机器人工作空间内；

判断模块，用于判断人员位置点位于机器工作空间内的点的数目是否大于预设数量阈值；

制动模块，若判断结果为是，则停止机器作业。

此外，为实现上述目的，本发明还提出人机交互安全保障设备，所述人机交互安全保障设备包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上所述人机交互安全保障方法的步骤。

此外，为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述人机交互安全保障方法的步骤。

本发明提出一种人机交互安全保障方法，获取限位角度，对所述限位角度进行等分并排列组合，得到关节组合；通过运动学模型计算所述关节组合，得到位置点集合；将所述位置点集合进行聚类，计算所述聚类的距离阈值，所述距离阈值用于判断所述位置点是否在机器人工作空间内；判断人员位置点位于机器工作空间内的点的数目是否大于预设数量阈值；若是，则停止机器作业。通过上述技术方案，形成了一种人机交互安全保障方法，能够在人员进入到机器人工作空间时，快速停止作业以保证人员的人身安全，保证了人机交互安全性前提下的机器高效率生产作业。

附图说明

图1为本发明实施例一种人机交互安全保障方法的流程图；

图2为本发明实施例一种人机交互安全保障方法的另一流程图；

图3为本发明实施例双臂机器人结构示意图；

图4为本发明实施例双臂机器人工作空间点示意图；

图5为本发明实施例一种人机交互安全保障方法的又一流程图；

图6为本发明实施例单个机器人工作空间聚类化示意图；

图7为本发明实施例排除序列中后1％的位置点示意图；

图8为本发明实施例离散化人体骨架点示意图；

图9为本发明实施例一种人机交互安全保障装置的功能模块示意图；

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

下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

实施例一

参见图1所示，为本发明提供了一种人机交互流程图；

S10：获取限位角度，对所述限位角度进行等分并排列组合，得到关节组合；

获取限位角度，对限位角度进行等分，并通过排列组合得到关节组合，例如，根据机器人六个关节的限位角度范围，对各个关节角进行20等分，对各个关节进行排列组合得到20⁶种关节组合。

S20：通过运动学模型计算所述关节组合，得到位置点集合；

通过运动学模型计算所有关节组合，得到机器人位置点的集合。具体为将得到的关节组合输入到机器人的正运动学模型当中，得到机器人运动的位置点集合。需要注意的是，此处的计算模型并不限定为机器人正运动学模型。

(x,y,z)＝fk(θ₁,θ₂,θ₃,θ₄,θ₅,θ₆)

x,y,z分别代表机器人末端执行器的位置，θ₁,θ₂,θ₃,θ₄,θ₅,θ₆则代表机器人各个关节的关节角，fk(·)则代表机器人的正运动学公式。如图3双臂机器人结构示意图所示，如图4双臂机器人工作空间点示意图所示，其中图4中的左右两椭圆分别对应两个机械臂。本实施例中的机器人工作空间，其含义为机器人可达位置，即指机器人可达到的位置点。由于受到机器人关节位置限制以及机器人的连接杆长度限制，因此机器人能够到达的位置是受到限制的。

S30：将所述位置点集合进行聚类，计算所述聚类的距离阈值，所述距离阈值用于判断所述位置点是否在机器人工作空间内；

将位置点集合进行聚类处理，本实施例优选聚类算法为基于欧拉距离的k-means算法(k-means clustering algorithm)，聚类的个数优选为13个，并分别得到各个聚类的中心位置。

计算所述聚类的距离阈值，即计算各个相应聚类的距离阈值。

计算所述聚类的距离阈值包括判断聚类属于内部聚类还是外部聚类，若属于内部聚类，则距离阈值设置为+∞；若聚类属于外部聚类，则计算聚类内各位置点到聚类中心之间的距离，并对距离进行升序排列，排除序列中后1％的距离，将分界的距离值作为距离阈值。

可理解地，若属于内部聚类，则距离阈值设置为+∞，即属于中心的聚类，此时的距离域值为无穷大，其实是为了表达，一旦一个位置点被分类到中心聚类当中，就可以直接判断该位置点位于机器人工作空间内。

若聚类属于外部聚类，则计算聚类内各位置点到聚类中心之间的距离，并对距离进行升序排列，排除序列中后1％的距离，将分界的距离值作为距离阈值。具体如图7排除序列中后1％的位置点示意图所示。此处的距离阈值也叫作分界距离阈值，用来判断位置点是否属于机器人工作空间中的点。

其中，内部聚类与外部聚类通过仿真图可以直观看出。

θ_k表示对应的不同聚类的距离阈值；D_e表示对应的聚类内的点到聚类中心的距离进行升序排列取后1％的点排除的分界距离阈值。

具体流程：位置点经过训练得到聚类中心，其中任一一点，利用其到聚类中心的欧拉距离的最小值可以判断出位置点属于哪一个聚类。但位置点也不一定在机器人的工作空间内，因此要对位置点进行限制，将机器人工作空间中属于某一聚类的点进行距离排序，排除掉位于机器人工作空间中的后1％的点，得到分界距离阈值。

S40:判断人员位置点位于机器工作空间内的点的数目是否大于预设数量阈值；若是，则停止机器作业。

在此步骤之前还有提取人员的骨架步骤，并对骨架进行离散化，得到离散化骨架点集，将骨架点的位置坐标转换到机器人坐标系中。

具体判断为：

其中,P_cen-k代表的是第k个聚类中心的位置，d_k代表第k个聚类中心到骨架离散点之间的距离。

d_min表示点到各个聚类的欧拉距离的最小值。

num_in代表人类骨架离散点进入到机器人工作空间的个数，δ代表判断的预设数量阈值，预设数量阈值为人为提前根据实际情况设定。

判断离散的骨架点位于机器人工作空间内的点的数目，若数目超出阈值δ，则停止机器人作业，以保证人员安全。

应用本发明实施例提供的技术方案，获取限位角度，对限位角度进行等分并排列组合，得到关节组合；通过运动学模型计算所述关节组合，得到位置点集合；将位置点集合进行聚类，并计算所述聚类的距离阈值，所述距离阈值用于判断所述位置点是否在机器人工作空间内；判断人员位置点位于机器工作空间内的点的数目是否大于预设数量阈值；若是，则停止机器作业。通过上述技术方案，形成了一种人机交互安全保障方法，能够在人员进入到机器人工作空间时，快速停止作业以保证人员的人身安全，保证了人机交互安全性前提下的机器高效率生产作业。

实施例二

参见2所示，具体方法如下：

S10：获取限位角度，对所述限位角度进行等分并排列组合，得到关节组合；

S20：通过运动学模型计算所述关节组合，得到位置点集合；

S201：对所述位置点集合进行去重，并进行降采样处理；

此步骤是对位置点集合的数据进行预处理操作，包括对重复数据进行处理以及对点集进行降采样，其中数据重复部分是因为六自由度的机器人末端位置包含的信息有x、y、z的位置信息，以及姿态信息，姿态信息一般用欧拉角表示，例如r、p、y。欧拉角用来确定定点转动刚***置的3个一组独立角参量，由章动角θ、旋进角(即进动角)ψ和自转角φ组成。本实施例中，机器人的工作空间专注于位置方面，相同位置可以对应多个姿态，所以可以得到的位置存在大量的重复量，而这些重复量对于表达机器人的位置上的工作空间是没有作用的，因此通过去重方式将大量的重复量位置去掉。而降采样的方式可以理解为对点集的稀疏化，降低***训练时所需要的计算负担。将数据点缩减为之前的1/10，减少训练所需处理的数据量，方便之后的训练。

本实施例利用对机器人各个关节的限位角度间等分插值，并进行排列组合得到所有的关节角组合，再利用机器人模型的正运动学计算得到末端的位置点坐标，对所有得到位置点坐标去除重复数值，并进行降采样，得到的数据具有代表性且处理计算复杂度较低。

S30：将所述位置点集合进行聚类，计算所述聚类的距离阈值，所述距离阈值用于判断所述位置点是否在机器人工作空间内；

S40：判断人员位置点位于机器工作空间内的点的数目是否大于预设数量阈值；

若是，则停止机器作业。

应用本发明实施例提供的技术方案，获取限位角度，对限位角度进行等分并排列组合，得到关节组合；通过运动学模型计算所述关节组合，得到位置点集合；将位置点集合进行聚类，并计算所述聚类的距离阈值，所述距离阈值用于判断所述位置点是否在机器人工作空间内；判断人员位置点位于机器工作空间内的点的数目是否大于预设数量阈值；若是，则停止机器作业。通过上述技术方案，形成了一种人机交互安全保障方法，能够在人员进入到机器人工作空间时，快速停止作业以保证人员的人身安全，保证了人机交互安全性前提下的机器高效率生产作业。

实施例三

参见图5所示，具体方法如下：

S10：获取限位角度，对所述限位角度进行等分并排列组合，得到关节组合；

S20：通过运动学模型计算所述关节组合，得到位置点集合；

S301：基于欧拉距离的k-means算法生成聚类；

将位置点集合进行聚类处理，其聚类结果如图6单个机器人工作空间聚类化示意图所示。本实施例优选聚类算法为基于欧拉距离的k-means算法(k-means clusteringalgorithm)。k-means算法也叫做k均值聚类算法，是一种迭代求解的聚类分析算法，其步骤是随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。

S302：分别计算各个所述聚类的中心位置；

S303：计算所述聚类的距离阈值，所述距离阈值用于判断所述位置点是否在机器人工作空间内；

通过k-means算法进行聚类化处理，k-means算法的优点在于运算速度快，且工作空间的建模效果受聚类个数影响小的特点,并且由于是无监督学习方法，无需对训练数据进行标签标识。

其中，距离阈值用于判断所述位置点是否在机器人工作空间内包括：

若所述位置点属于内部聚类，则直接判断所述位置点在机器人工作空间内；若位置点属于外部聚类，则判断位置点欧拉距离与距离阈值的大小，若所述欧拉距离小于距离阈值，则判定位置点在机器人工作空间内；若所述欧拉距离大于距离阈值，则判定位置点不在机器人工作空间内。

S40：判断人员位置点位于机器工作空间内的点的数目是否大于预设数量阈值；

若是，则停止机器作业。

应用本发明实施例提供的技术方案，获取限位角度，对限位角度进行等分并排列组合，得到关节组合；通过运动学模型计算所述关节组合，得到位置点集合；将位置点集合进行聚类，并计算所述聚类的距离阈值，所述距离阈值用于判断所述位置点是否在机器人工作空间内；判断人员位置点位于机器工作空间内的点的数目是否大于预设数量阈值；若是，则停止机器作业。通过上述技术方案，形成了一种人机交互安全保障方法，能够在人员进入到机器人工作空间时，快速停止作业以保证人员的人身安全，保证了人机交互安全性前提下的机器高效率生产作业。

实施例四

S10：获取限位角度，对所述限位角度进行等分并排列组合，得到关节组合；

S20：通过运动学模型计算所述关节组合，得到位置点集合；

S30：将所述位置点集合进行聚类，计算所述聚类的距离阈值，所述距离阈值用于判断所述位置点是否在机器人工作空间内；

S304：提取人员的骨架，并对骨架进行离散化，得到骨架离散化点集，将所述骨架点的位置坐标转换到机器人坐标系中；

其中提取人员的骨架，其利用包括但不限于RGBD相机、运动捕捉***提取人员骨架。本实施例优选RGBD相机提取人的3D骨架，并将人体骨架简化为离散点，将所述骨架点的位置坐标转换到机器人坐标系中。

P_C表示的是相机坐标系中的骨架离散点；

表示从相机坐标系转化为机器人坐标系的转换矩阵；P_R表示的是转换到机器人坐标系下的骨架离散点。

具体如图8离散化人体骨架点示意图所示。

应用本发明实施例提供的技术方案，提取人员的骨架，并对骨架进行离散化，得到离散化骨架点集，将所述骨架点的位置坐标转换到机器人坐标系中。利用离散点进入工作空间的个数来判断人体是否进入机器人的工作空间，具有成本低的优点。

S40：判断人员位置点位于机器工作空间内的点的数目是否大于预设数量阈值；

若是，则停止机器作业。

应用本发明实施例提供的技术方案，获取限位角度，对限位角度进行等分并排列组合，得到关节组合；通过运动学模型计算所述关节组合，得到位置点集合；将位置点集合进行聚类，计算所述聚类的距离阈值，所述距离阈值用于判断所述位置点是否在机器人工作空间内；判断人员位置点位于机器工作空间内的点的数目是否大于预设数量阈值；若是，则停止机器作业。通过上述技术方案，形成了一种人机交互安全保障方法，能够在人员进入到机器人工作空间时，快速停止作业以保证人员的人身安全，保证了人机交互安全性前提下的机器高效率生产作业。

实施例五

S10：获取限位角度，对所述限位角度进行等分并排列组合，得到关节组合；

S20：通过运动学模型计算所述关节组合，得到位置点集合；

S30：将所述位置点集合进行聚类，计算所述聚类的距离阈值，所述距离阈值用于判断所述位置点是否在机器人工作空间内；

S40：判断人员位置点位于机器工作空间内的点的数目是否大于预设数量阈值；

若是，则停止机器作业。

其中，判断人员位置点位于机器工作空间内的点的数目是否大于预设数量阈值，若是，则停止机器作业；若否，则执行提取人员的骨架，并对骨架进行离散化，得到离散化骨架点集，将所述骨架点的位置坐标转换到机器人坐标系中步骤。

可理解地，判断人员位置点位于机器工作空间内的点的数目是否大于预设数量阈值，即判断离散的骨架点位于机器人工作空间内的点的数目，若数目超出阈值δ，则停止机器人作业，以保证人员安全；若数目没有超出阈值δ，则继续执行提取人员骨架，并对骨架进行离散化，得到离散化骨架点集，将所述骨架点的位置坐标转换到机器人坐标系中步骤，以循环判断人员位置点位于机器工作空间内的点的数目是否大于预设数量阈值。

应用本发明实施例提供的技术方案，获取限位角度，对限位角度进行等分并排列组合，得到关节组合；通过运动学模型计算所述关节组合，得到位置点集合；将位置点集合进行聚类，计算所述聚类的距离阈值，所述距离阈值用于判断所述位置点是否在机器人工作空间内；判断人员位置点位于机器工作空间内的点的数目是否大于预设数量阈值；若是，则停止机器作业。通过上述技术方案，形成了一种人机交互安全保障方法，能够在人员进入到机器人工作空间时，快速停止作业以保证人员的人身安全，保证了人机交互安全性前提下的机器高效率生产作业。

实施例六

参见图9所示，具体装置为：

排列组合模块，用于获取限位角度，并对所述限位角度进行等分并排列组合，得到关节组合；

计算模块，用于通过运动学模型计算所述关节组合，得到位置点集合；

聚类模块，用于将所述位置点集合进行聚类，计算所述聚类的距离阈值，所述距离阈值用于判断所述位置点是否在机器人工作空间内；

判断模块，用于判断人员位置点位于机器工作空间内的点的数目是否大于预设数量阈值；

制动模块，若判断为是，则停止机器作业。

其中，聚类模块包括k-means算法模块以及聚类中心位置生成模块；

k-means算法模块，用于基于欧拉距离的k-means算法生成聚类；

聚类中心位置生成模块，用于分别计算各个所述聚类的中心位置。

应用本发明实施例提供的技术方案，形成了一种人机交互安全保障装置，能够在人员进入到机器人工作空间时，快速停止作业以保护人员的人身安全，保证了人机交互安全性前提下的机器高效率生产作业。

实施例七

本实施例提供了一种人机交互安全保障设备，具体为：

存储器，用于存储计算机程序；

处理器，用于执行存储器中存储的计算机程序时，可以实现如下步骤：

获取限位角度，对所述限位角度进行等分并排列组合，得到关节组合；

通过运动学模型计算所述关节组合，得到位置点集合；

将所述位置点集合进行聚类，计算所述聚类的距离阈值，所述距离阈值用于判断所述位置点是否在机器人工作空间内；

判断人员位置点位于机器工作空间内的点的数目是否大于预设数量阈值；

若是，则停止机器作业。

可以理解的是，上述说明的设备中的处理器执行所述计算机程序时，也可以实现上述对应的各***实施例中的功能，此处不再赘述。示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述存储***中的执行过程。

所述设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述设备可包括但不仅限于处理器、存储器。本领域技术人员可以理解，处理器、存储器仅仅是计算机装置的示例，并不构成对设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述设备还可以包括输入输出设备、网络接入设备、总线等。

所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，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，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个设备的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序等；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

实施例八

本发明还提供了一种计算机可读存储介质，该计算机可读存储介质用于实现存储***或者方法，其上存储有计算机程序，计算机程序被处理器执行时，处理器，可以用于执行如下步骤：

获取限位角度，对所述限位角度进行等分并排列组合，得到关节组合；

通过运动学模型计算所述关节组合，得到位置点集合；

将所述位置点集合进行聚类，计算所述聚类的距离阈值，所述距离阈值用于判断所述位置点是否在机器人工作空间内；

判断人员位置点位于机器工作空间内的点的数目是否大于预设数量阈值；

若是，则停止机器作业。

计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述存储数据方法的步骤。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，这些均属于本发明的保护之内。

Claims (12)

1.一种人机交互安全保障方法，其特征在于，包括：

获取限位角度，对所述限位角度进行等分并排列组合，得到关节组合；

通过运动学模型计算所述关节组合，得到位置点集合；

将所述位置点集合进行聚类，计算所述聚类的距离阈值，所述距离阈值用于判断所述位置点是否在机器人工作空间内；

判断人员位置点位于机器人工作空间内的点的数量是否大于预设数量阈值；

若是，则停止机器作业。

2.根据权利要求1所述的人机交互安全保障方法，其特征在于，通过运动学模型计算所述关节组合，得到位置点集合之后还包括：

对所述位置点集合进行去重，并进行降采样处理。

3.根据权利要求1所述的人机交互安全保障方法，其特征在于，通过运动学模型计算所述组合以得到位置点集合包括：

将所述关节组合输入到机器人正运动学模型当中，得到机器人运动的位置点集合。

4.根据权利要求1所述的人机交互安全保障方法，其特征在于，将所述位置点集合进行聚类包括：

基于欧拉距离的k-means算法生成聚类；

分别计算各个所述聚类的中心位置。

5.根据权利要求1所述的人机交互安全保障方法，其特征在于，计算所述聚类的距离阈值包括：

若聚类属于内部聚类，则距离阈值设置为+∞；

若聚类属于外部聚类，则计算聚类内各位置点到所述聚类中心之间的距离，并对所述距离进行升序排列，排除序列中后1％的距离，将分界的距离值作为距离阈值。

6.根据权利要求5所述的人机交互安全保障方法，其特征在于，所述距离阈值用于判断所述位置点是否在机器人工作空间内包括：

若所述位置点属于内部聚类，则直接判断所述位置点在机器人工作空间内；

若所述位置点属于外部聚类，则判断位置点欧拉距离与所述距离阈值的大小，若所述欧拉距离小于距离阈值，则判定位置点在机器人工作空间内；若所述欧拉距离大于距离阈值，则判定位置点不在机器人工作空间内。

7.根据权利要求1所述的人机交互安全保障方法，其特征在于，判断人员位置点位于机器工作空间内的点的数目是否大于预设数量阈值之前还包括：

提取人员的骨架，并对骨架进行离散化，得到离散化骨架点集，将所述骨架点的位置点转换到机器人坐标系中。

8.根据权利要求7所述的人机交互安全保障方法，其特征在于，提取人员的骨架包括：

利用包括但不限于RGBD相机、运动捕捉***提取人员骨架。

9.根据权利要求1至8所述的人机交互安全保障方法，其特征在于，判断人员位置点位于机器工作空间内的点的数目是否大于预设数量阈值包括：

判断骨架点位于机器人工作空间内的点的数目是否超出预设数量阈值；

若是，则机器人停止作业；

若否，则继续执行利用RGBD相机提取人员的骨架，并对骨架进行离散化，得到离散化骨架点集步骤。

10.一种人机交互安全保障装置，其特征在于，包括：

排列组合模块，用于获取限位角度，并对所述限位角度进行等分并排列组合，得到关节组合；

计算模块，用于通过运动学模型计算所述关节组合，得到位置点集合；

聚类模块，用于将所述位置点集合进行聚类，并计算所述聚类的距离阈值，所述距离阈值用于判断所述位置点是否在机器人工作空间内；

判断模块，用于判断人员位置点位于机器工作空间内的点的数目是否大于预设数量阈值；

制动模块，若判断结果为是，则停止机器作业。

11.一种人机交互安全保障设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至9中任意一项所述人机交互安全保障方法的步骤。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至9中任意一项所述人机交互安全保障方法的步骤。

Images