CN111208783B - 一种动作模仿方法、装置、终端及计算机存储介质 - Google Patents

一种动作模仿方法、装置、终端及计算机存储介质 Download PDF

Info

Publication number
CN111208783B
CN111208783B CN201911397998.2A CN201911397998A CN111208783B CN 111208783 B CN111208783 B CN 111208783B CN 201911397998 A CN201911397998 A CN 201911397998A CN 111208783 B CN111208783 B CN 111208783B
Authority
CN
China
Prior art keywords
sample
simulated
dimensional
dimensional image
neural network
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
Application number
CN201911397998.2A
Other languages
English (en)
Other versions
CN111208783A (zh
Inventor
郭渺辰
张惊涛
王东
胡淑萍
庞建新
熊友军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ubtech Robotics Corp
Original Assignee
Ubtech Robotics Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ubtech Robotics Corp filed Critical Ubtech Robotics Corp
Priority to CN201911397998.2A priority Critical patent/CN111208783B/zh
Publication of CN111208783A publication Critical patent/CN111208783A/zh
Priority to US17/115,735 priority patent/US11940774B2/en
Application granted granted Critical
Publication of CN111208783B publication Critical patent/CN111208783B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
    • G05B19/4086—Coordinate conversions; Other special calculations
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G06V20/647—Three-dimensional objects by matching two-dimensional images to three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33027—Artificial neural network controller
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35356—Data handling
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/39—Robotics, robotics to robotics hand
    • G05B2219/39271—Ann artificial neural network, ffw-nn, feedforward neural network
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/40—Robotics, robotics mapping to robotics vision
    • G05B2219/40391—Human to robot skill transfer
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/50—Machine tool, machine tool null till machine tool work handling
    • G05B2219/50391—Robot
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Image Analysis (AREA)
  • Manipulator (AREA)
  • Image Processing (AREA)

Abstract

本申请适用于计算机应用技术领域，提供了一种动作模仿方法、装置、终端及计算机存储介质，该动作模仿方法包括：实时采集待模仿对象的二维图像；获取所述待模仿对象的各个关节特征点在所述二维图像中的二维坐标以及各个关节特征点之间的配对关系；利用预先训练好的第一神经网络模型将所述待模仿对象的关节特征点在所述二维图像中的二维坐标转换为所述待模仿对象的关节特征点对应的空间三维坐标，并根据所述待模仿对象的关节特征点对应的空间三维坐标以及各个关节特征点之间的配对关系生成所述机器人的动作控制指令，能够使得机器人执行动作模仿任务时不受环境的限制，同时，待模仿对象也不需要穿上带有光感元件的设备。

Description

一种动作模仿方法、装置、终端及计算机存储介质
技术领域
本申请属于计算机应用技术领域，尤其涉及一种动作模仿方法、装置、终端及计算机存储介质。
背景技术
当前人形机器人在实现对人类的动作的模仿过程中，主要通过在特定场所布置多视角的相机，并让待模仿对象穿上带有光感元件的设备，并且，将光感元件放置在人体的关节等重要位置，然后通过多视角的相机捕捉光感元件并进行多视角融合来准确定位人体的各个关节，从而获取待模仿对象做出的动作，进行相应的动作模仿。
然而，这种动作模仿方式不仅需要待模仿对象穿上带有光感元件的设备，而且还容易受到环境的限制，在室外环境中有可能无法正常工作。
发明内容
有鉴于此，本申请实施例提供了一种动作模仿方法、装置、终端及计算机存储介质，能够使得机器人执行动作模仿任务时不受环境的限制，同时，待模仿对象也不需要穿上带有光感元件的设备。
本申请实施例的第一方面提供了一种动作模仿方法，包括：
实时采集待模仿对象的二维图像；
获取所述待模仿对象的各个关节特征点在所述二维图像中的二维坐标以及各个关节特征点之间的配对关系；
利用预先训练好的第一神经网络模型将所述待模仿对象的关节特征点在所述二维图像中的二维坐标转换为所述待模仿对象的关节特征点对应的空间三维坐标，并根据所述待模仿对象的关节特征点对应的空间三维坐标以及各个关节特征点之间的配对关系生成所述机器人的动作控制指令，所述动作控制指令用于控制所述机器人模仿所述待模仿对象的动作。
本申请实施例的第二方面提供了动作模仿装置，配置于机器人，包括：
采集单元，用于实时采集待模仿对象的二维图像；
获取单元，用于获取所述待模仿对象的各个关节特征点在所述二维图像中的二维坐标以及各个关节特征点之间的配对关系；
模仿单元，用于利用预先训练好的第一神经网络模型将所述待模仿对象的关节特征点在所述二维图像中的二维坐标转换为所述待模仿对象的关节特征点对应的空间三维坐标，并根据所述待模仿对象的关节特征点对应的空间三维坐标以及各个关节特征点之间的配对关系生成所述机器人的动作控制指令，所述动作控制指令用于控制所述机器人模仿所述待模仿对象的动作。
本申请实施例的第三方面提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述方法的步骤。
本申请实施例的第四方面提供了一种计算机存储介质，所述计算机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上述所述方法的步骤。
本申请实施例中，通过实时采集待模仿对象的二维图像，然后，获取所述待模仿对象的各个关节特征点在所述二维图像中的二维坐标以及各个关节特征点之间的配对关系；接着，利用预先训练好的第一神经网络模型将所述待模仿对象的关节特征点在所述二维图像中的二维坐标转换为所述待模仿对象的关节特征点对应的空间三维坐标，并根据所述待模仿对象的关节特征点对应的空间三维坐标以及各个关节特征点之间的配对关系生成所述机器人的动作控制指令，使得机器人可以根据该动作控制指令模仿所述待模仿对象的动作，并且，能够使得机器人执行动作模仿任务时不受环境的限制，同时，待模仿对象也不需要穿上带有光感元件的设备。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种动作模仿方法的实现流程示意图；
图2是本申请实施例提供的待模仿对象的各个关节特征点以及各个关节特征点之间的配对关系的示意图；
图3是本申请实施例提供的第二神经网络模型的训练流程示意图；
图4是本申请实施例提供的第一神经网络模型的训练流程示意图；
图5是本申请实施例提供的各种坐标系的示意图；
图6是本申请实施例提供的一种动作模仿装置的示意图；
图7是本申请实施例提供的一种终端的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“所述”意在包括复数形式。
当前人形机器人在实现对人类的动作的模仿过程中，主要通过在特定场所布置多视角的相机，并让待模仿对象穿上带有光感元件的设备，并且，将光感元件放置在人体的关节等重要位置，然后通过多视角的相机捕捉光感元件并进行多视角融合来准确定位人体的各个关节，从而获取待模仿对象做出的动作，进行相应的动作模仿。
然而，这种动作模仿方式不仅需要待模仿对象穿上带有光感元件的设备，而且还容易受到环境的限制，在室外环境中有可能无法正常工作。
基于此，本申请实施例提供一种动作模仿方法、装置、终端和计算机可读存储介质，可以使得机器人执行动作模仿任务时不受环境的限制，同时，待模仿对象也不需要穿上带有光感元件的设备。
需要说明的是，本申请实施例提供的动作模仿方法、装置、终端和计算机可读存储介质，是利用单目相机拍摄的二维图像获取待模仿对象执行的动作，并且，具体是通过对待模仿对象的各个关节特征点在单目相机拍摄的二维图像中的二维坐标进行三维坐标预测，获取待模仿对象执行的动作，与传统的利用单目相机拍摄的二维图像获取待模仿对象执行的动作不同。传统的利用单目相机拍摄的二维图像获取待模仿对象执行的动作的具体实现方式是，通过对二维图像进行2d关键点的检测，并假定人体的动作朝向，通过肢体的长度来计算关节角度，这种方法无法区分动作的前后，即无法获取任何深度信息；因此，传统的利用单目相机拍摄的二维图像获取待模仿对象执行的动作的方式具有一定的局限性，而本申请通过对待模仿对象的各个关节特征点在单目相机拍摄的二维图像中的二维坐标进行三维坐标预测，可以获取待模仿对象的各个关节特征点完整且较准确的三维坐标信息，可以提高机器人动作模仿的精度。
本申请实施例中，通过实时采集待模仿对象的二维图像，然后，获取所述待模仿对象的各个关节特征点在所述二维图像中的二维坐标以及各个关节特征点之间的配对关系；接着，利用预先训练好的第一神经网络模型将所述待模仿对象的关节特征点在所述二维图像中的二维坐标转换为所述待模仿对象的关节特征点对应的空间三维坐标，并根据所述待模仿对象的关节特征点对应的空间三维坐标以及各个关节特征点之间的配对关系生成所述机器人的动作控制指令，使得机器人可以根据该动作控制指令模仿所述待模仿对象的动作，并且，能够使得机器人执行动作模仿任务时不受环境的限制，同时，待模仿对象也不需要穿上带有光感元件的设备。
为了说明本申请的技术方案，下面通过具体实施例来进行说明。
图1为本申请实施例提供的一种应用于机器人的动作模仿方法的实现流程图，该动作模仿方法可以由机器人上配置的动作模仿装置执行，可以包括步骤101至步骤103。
步骤101，实时采集待模仿对象的二维图像。
由于机器人进行动作模仿时，一般需要连续执行多个动作的模仿，因此，需要实时采集待模仿对象的二维图像，以便实时获取待模仿对象执行的动作。
其中，上述二维图像可以为RGB格式的二维图像或者为其他格式的二维图像。例如，上述二维图像还可以为YUV格式的二维图像或者为CMYK格式的二维图，本申请对此不作限制。
步骤102，获取所述待模仿对象的各个关节特征点在所述二维图像中的二维坐标以及各个关节特征点之间的配对关系。
其中，上述各个关节特征点之间的配对关系用于表征各个关节之间的相对位置关系。
例如，如图2所示，为本申请实施例提供的待模仿对象的18个关节特征点以及18个关节特征点之间的配对关系(如图2中各个关节特征点之间的连线所示)的示意图，待模仿对象的18个关节特征点0～17中，手腕上的关节特征点4与手肘上的关节特征点3配对，手肘上的关节特征点3与肩膀上的关节特征点2配对，总共可以得到17对由两两相邻的关节特征点组成的配对关系，另外，在本申请的一些实施方式中，还可以增加肩膀上的关节特征点2与头部关节特征点16，以及肩膀上的关节特征点5与头部关节特征点17这两对关节特征点的配对关系，从而可以得到19对关节特征点的配对关系。另外，反过来，由于手肘上的关节特征点3与手腕上的关节特征点4也是相互配对的，肩膀上的关节特征点2与手肘上的关节特征点3也是相互配对的，因此，总共可以包括38对关节特征点的配对关系。
具体的，在本申请的一些实施方式中，上述计算待模仿对象的关节特征点在所述二维图像中的二维坐标以及各个关节特征点之间的配对关系，可以包括：将所述二维图像输入预先训练好的第二神经网络模型，由所述第二神经网络模型输出所述待模仿对象的关节特征点在所述二维图像中的二维坐标，以及各个关节特征点之间的配对关系。
具体的，如图3所示，在本申请的一些实施方式中，上述第二神经网络模型的训练步骤可以包括：步骤301至步骤304。
步骤301，获取第一样本二维图像，以及预先标记好的样本待模仿对象的各个关节特征点在所述第一样本二维图像中的第一样本二维坐标和预先标记好的所述样本待模仿对象的各个关节特征点之间的第一配对关系。
可选的，在进行样本待模仿对象的各个关节特征点在所述第一样本二维图像中的第一样本二维坐标，以及样本待模仿对象的各个关节特征点之间的第一配对关系的标记时，可以利用图像的关键点标注工具labelme实现，并且，可将上述预先标记好的样本待模仿对象的各个关节特征点在所述第一样本二维图像中的第一样本二维坐标和预先标记好的所述样本待模仿对象的各个关节特征点之间的第一配对关系等数据保存为json格式的文件，便于第二神经网络模型或第一神经网络模型的调用。
步骤302，将所述第一样本二维图像输入待训练的第二神经网络模型，并由所述待训练的第二神经网络模型输出所述样本待模仿对象的各个关节特征点在所述样本二维图像中的第二样本二维坐标，以及所述样本待模仿对象的各个关节特征点之间的第二配对关系。
在本申请的一些实施方式中，上述将所述第一样本二维图像输入待训练的第二神经网络模型，并由所述待训练的第二神经网络模型输出所述样本待模仿对象的各个关节特征点在所述样本二维图像中的第二样本二维坐标，以及所述样本待模仿对象的各个关节特征点之间的第二配对关系，可以包括：将3通道的第一样本二维图像输入待训练的第二神经网络模型，得到由该待训练的第二神经网络模型输出的19通道的第一特征图像以及38通道的第二特征图像。
其中，上述19通道的第一特征图像中包括18个分别包含一个关节特征点的特征图像的通道以及一个不包含关节特征点的负样本图像的通道，因而，通过将这18个包含关节特征点的特征图像与负样本图像进行比对，即可得到样本待模仿对象的18关节特征点在所述样本二维图像中的第二样本二维坐标。上述38通道的第二特征图像中的每个特征图像均记录有每对关节特征点之间的配对关系。因而，可以得到如图2所示的样本待模仿对象的18个关节特征点0～17，以及样本待模仿对象的各个关节特征点之间的第二配对关系。
需要说明的是，上述第一样本二维图像中可以包含一个或多个样本待模仿对象。当第一样本二维图像中包含多个样本待模仿对象时，待训练的第二神经网络模型将输出所述多个样本待模仿对象的各个关节特征点在所述样本二维图像中的第二样本二维坐标，以及所述样本待模仿对象的各个关节特征点之间的第二配对关系。并且，上述如图2所示的关节特征点的位置和数量仅仅是举例说明，并不表示为对本申请保护范围的限制。关节特征点的具***置和数量可以根据实际应用场景进行设定。
步骤303，根据所述第一配对关系以及所述第二配对关系确定与所述第一样本二维坐标匹配的第二样本二维坐标。
在得到上述第一配对关系以及所述第二配对关系之后，即可确定待训练的第二神经网络模型输出的所述样本待模仿对象的各个关节特征点在所述样本二维图像中的第二样本二维坐标分别与预先标记好的样本待模仿对象的各个关节特征点在所述第一样本二维图像中对应的第一样本二维坐标。
例如，待训练的第二神经网络模型输出的样本待模仿对象的关节特征点1在所述样本二维图像中的第二样本二维坐标与预先标记好的样本待模仿对象的关节特征点1在所述第一样本二维图像中对应的第一样本二维坐标对应。
步骤304，计算所述第一样本二维坐标与所述第二样本二维坐标的第一损失函数值，并在第一损失函数值小于第一阈值，且变化率小于第二阈值时，得到所述训练好的第二神经网络模型。
具体的，上述第一损失函数值可以为均方误差(MSE)第一损失函数值，其计算方法为预测值与真实值之间距离的平方和，即上述待训练的第二神经网络模型输出的所述样本待模仿对象的各个关节特征点在所述样本二维图像中的第二样本二维坐标分别与预先标记好的样本待模仿对象的各个关节特征点在所述第一样本二维图像中对应的第一样本二维坐标之间距离的平方和。或者，上述第一损失函数值可以为平均绝对误差(MAE)第一损失函数值，其计算方法为目标值和预测值之差的绝对值之和。
本申请实施例中，当上述第一损失函数值小于第一阈值，且变化率小于第二阈值时，表示第二神经网络模型中各个参数已趋于稳定，待训练的第二神经网络模型已经训练完成。通过将实时采集的待模仿对象的二维图像输入预先训练好的第二神经网络模型，即可由该第二神经网络模型输出待模仿对象的关节特征点在二维图像中的二维坐标，以及各个关节特征点之间的配对关系。
另外，在本申请的一些实施方式中，上述获取待模仿对象的各个关节特征点在所述二维图像中的二维坐标以及各个关节特征点之间的配对关系的过程中，还可以通过接收用户的输入操作的方式进行获取。
步骤103，利用预先训练好的第一神经网络模型将所述待模仿对象的关节特征点在所述二维图像中的二维坐标转换为所述待模仿对象的关节特征点对应的空间三维坐标，并根据所述待模仿对象的关节特征点对应的空间三维坐标以及各个关节特征点之间的配对关系生成所述机器人的动作控制指令，所述动作控制指令用于控制所述机器人模仿所述待模仿对象的动作。
其中，待模仿对象的关节特征点对应的空间三维坐标为待模仿对象的关节特征点在世界坐标系下的三维坐标。
具体的，如图4所示，在本申请的一些实施方式中，上述第一神经网络模型的训练步骤可以包括：步骤401至步骤403。
步骤401，获取预先标记的第二样本二维图像中样本待模仿对象的各个关节特征点的第三样本二维坐标，以及预先确定的所述第三样本二维坐标对应的第一样本三维坐标。
其中，上述第二样本二维图像中样本待模仿对象的各个关节特征点的第三样本二维坐标可以为样本待模仿对象的各个关节特征点在二维图像的图像坐标系下的二维坐标，上述第三样本二维坐标对应的第一样本三维坐标可以为二维图像的图像坐标系下的二维坐标对应的相机坐标系下的三维坐标。
具体的，由于处于不同位姿状态下的相机拍摄同一姿态的待模仿对象时，会得到不同的图像，因此，在利用预先训练好的第一神经网络模型将所述待模仿对象的关节特征点在所述二维图像中的二维坐标转换为所述待模仿对象的关节特征点对应的空间三维坐标的过程中，无法实现在世界坐标系估计二维图像中的二维坐标对应的空间三维坐标，因此，需要在相机坐标系下估计二维图像中的二维坐标对应的空间三维坐标。即，上述第三样本二维坐标对应的第一样本三维坐标为二维图像的图像坐标系下的二维坐标对应的相机坐标系下的三维坐标。
在上述第二样本二维图像以及第二样本二维图像中样本待模仿对象的各个关节特征点的第三样本二维坐标，以及预先确定的所述第三样本二维坐标对应的第一样本三维坐标的获取过程中，可以采用动作捕捉***motion capture进行获取。
例如，可以通过悬挂在四周的相机采集样本待模仿对象的二维图像，然后利用多视角融合算法得到样本待模仿对象的各个关节特征点在世界坐标系下的三维坐标，接着，根据相机的参数以及相机的位姿确定所述样本待模仿对象的各个关节特征点在世界坐标系下的三维坐标对应的相机坐标系下的第一样本三维坐标，以及第一样本三维坐标对应的在第二样本二维图像的图像坐标系中的第三样本二维坐标。使得得到的第二样本二维图像为利用不同位姿的相机采集得到的二维图像，可以有效防止第一神经网络模型过拟合，并且具有更好的泛化能力。
具体的，上述相机参数可以包括相机的焦距。
如图5所示，可以采用世界坐标系OW-XWYWZW确定相机的位姿，相机坐标系为以光心Oc为原点的坐标系Oc-XcYcZc，o-xy为图像坐标系，光心为二维图像的中点。P(XW，YW，ZW)为世界坐标系中的一点，p为二维图像中的成像点，在图像坐标系中的坐标为(x，y)，uv为以二维图像的左上角为原点的像素坐标系，f为焦距，等于Oc与o的距离。可以看出，世界坐标系下的坐标与相机坐标系下的坐标属于刚性变换，只发生平移和旋转，通过旋转矩阵即可将世界坐标系下的坐标映射为相机坐标系下的坐标。
因此，通过悬挂在四周的相机采集样本待模仿对象的二维图像，然后利用多视角融合算法得到样本待模仿对象的各个关节特征点在世界坐标系下的三维坐标之后，可以根据相机的参数以及相机的位姿确定所述样本待模仿对象的各个关节特征点在世界坐标系下的三维坐标对应的相机坐标系下的第一样本三维坐标，以及第一样本三维坐标对应的在第二样本二维图像的图像坐标系中的第三样本二维坐标。
步骤402，将所述第二样本二维图像中样本待模仿对象的各个关节特征点的第三样本二维坐标输入待训练的第一神经网络模型，并由所述待训练的第一神经网络模型输出所述第三样本二维坐标对应的第二样本三维坐标。
步骤403，计算所述待训练的第一神经网络模型输出的所述第二样本三维坐标与所述第一样本三维坐标的第二损失函数值，并在所述第二损失函数值小于第三阈值，且变化率小于第四阈值时，得到所述训练好的第一神经网络模型。
具体的，上述第二损失函数值可以为均方误差(MSE)损失函数值，其计算方法为预测值与真实值之间距离的平方和，即上述待训练的第二神经网络模型输出的第二样本三维坐标与预先确定的所述第三样本二维坐标对应的第一样本三维坐标之间距离的平方和。或者，上述第一损失函数值可以为平均绝对误差(MAE)第一损失函数值，其计算方法为预测值和目标值之差的绝对值之和。即上述待训练的第二神经网络模型输出的第二样本三维坐标与预先确定的所述第三样本二维坐标对应的第一样本三维坐标之差的绝对值之和。
本申请实施例中，当上述第二损失函数值小于第三阈值，且变化率小于第四阈值时，表示第一神经网络模型中各个参数已趋于稳定，待训练的第一神经网络模型已经训练完成，可以利用预先训练好的第一神经网络模型将所述待模仿对象的关节特征点在所述二维图像中的二维坐标转换为所述待模仿对象的关节特征点对应的空间三维坐标。
相应的，上述利用预先训练好的第一神经网络模型将所述待模仿对象的关节特征点在所述二维图像中的二维坐标转换为所述待模仿对象的关节特征点对应的空间三维坐标的过程中，需要先将所述待模仿对象的关节特征点在所述二维图像中的二维坐标输入所述预先训练好的第一神经网络模型，由所述预先训练好的第一神经网络模型输出所述待模仿对象的关节特征点对应的在相机坐标系下的三维坐标；然后根据相机坐标系下的坐标与世界坐标系下的坐标的转换矩阵，将所述待模仿对象的关节特征点对应的在相机坐标系下的三维坐标转换为世界坐标系下的三维坐标。
本申请实施例中，通过预先训练好的第二神经网络模型获取所述待模仿对象的各个关节特征点在所述二维图像中的二维坐标以及各个关节特征点之间的配对关系，接着，利用预先训练好的第一神经网络模型对所述待模仿对象的关节特征点在所述二维图像中的二维坐标进行坐标预测，得到待模仿对象的关节特征点在所述二维图像中的二维坐标对应的空间三维坐标，实现了分阶段计算，框架更灵活，并且，预先训练好的第一神经网络模型属于非端到端的轻量化的神经网络模型，极大的降低了坐标转换的计算量。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为根据本申请，某些步骤可以采用其它顺序进行。
另外，上述第一阈值、第二阈值、第三阈值和第四阈值的具体取值可以根据实际应用场景进行设置。
如图6所示为本申请实施例提供应用于机器人的一种动作模仿装置600的结构示意图，所述动作模仿装置600可以包括：采集单元601、获取单元602和模仿单元603。
采集单元601，用于实时采集待模仿对象的二维图像；
获取单元602，用于获取所述待模仿对象的各个关节特征点在所述二维图像中的二维坐标以及各个关节特征点之间的配对关系；
模仿单元603，用于利用预先训练好的第一神经网络模型将所述待模仿对象的关节特征点在所述二维图像中的二维坐标转换为所述待模仿对象的关节特征点对应的空间三维坐标，并根据所述待模仿对象的关节特征点对应的空间三维坐标以及各个关节特征点之间的配对关系生成所述机器人的动作控制指令，所述动作控制指令用于控制所述机器人模仿所述待模仿对象的动作。
在本申请的一些实施方式中，所述获取单元602，还具体用于：将所述二维图像输入预先训练好的第二神经网络模型，由所述第二神经网络模型输出所述待模仿对象的关节特征点在所述二维图像中的二维坐标，以及各个关节特征点之间的配对关系。
在本申请的一些实施方式中，所述动作模仿装置包括：模型构建单元；所述模型构建单元用于：
获取第一样本二维图像，以及预先标记好的样本待模仿对象的各个关节特征点在所述第一样本二维图像中的第一样本二维坐标和预先标记好的所述样本待模仿对象的各个关节特征点之间的第一配对关系；
将所述第一样本二维图像输入待训练的第二神经网络模型，并由所述待训练的第二神经网络模型输出所述样本待模仿对象的各个关节特征点在所述样本二维图像中的第二样本二维坐标，以及所述样本待模仿对象的各个关节特征点之间的第二配对关系；
根据所述第一配对关系以及所述第二配对关系确定与所述第一样本二维坐标匹配的第二样本二维坐标；
计算所述第一样本二维坐标与所述第二样本二维坐标的第一损失函数值，并在第一损失函数值小于第一阈值，且变化率小于第二阈值时，得到所述训练好的第二神经网络模型。
在本申请的一些实施方式中，所述模型构建单元还具体用于：
获取预先标记的第二样本二维图像中样本待模仿对象的各个关节特征点的第三样本二维坐标，以及预先确定的所述第三样本二维坐标对应的第一样本三维坐标；
将所述第二样本二维图像中样本待模仿对象的各个关节特征点的第三样本二维坐标输入待训练的第一神经网络模型，并由所述待训练的第一神经网络模型输出所述第三样本二维坐标对应的第二样本三维坐标；
计算所述待训练的第一神经网络模型输出的所述第二样本三维坐标与所述第一样本三维坐标的第二损失函数值，并在所述第二损失函数值小于第三阈值，且变化率小于第四阈值时，得到所述训练好的第一神经网络模型。
在本申请的一些实施方式中，所述模仿单元还具体用于：
将所述待模仿对象的关节特征点在所述二维图像中的二维坐标输入所述预先训练好的第一神经网络模型，由所述预先训练好的第一神经网络模型输出所述待模仿对象的关节特征点对应的在相机坐标系下的三维坐标；
根据相机坐标系下的坐标与世界坐标系下的坐标的转换矩阵，将所述待模仿对象的关节特征点对应的在相机坐标系下的三维坐标转换为世界坐标系下的三维坐标。
需要说明的是，为描述的方便和简洁，上述动作模仿装置600的具体工作过程，可以参考图1至图5所述方法的对应过程，在此不再赘述。
如图7所示，为本申请实施例提供的一种终端的示意图。该终端7可以为上述的机器人，包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，例如动作模仿程序。所述处理器70执行所述计算机程序72时实现上述各个动作模仿方法实施例中的步骤，例如图1所示的步骤101至103，或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示单元601至603的功能。
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71中，并由所述处理器70执行，以完成本申请。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终端中的执行过程。例如，所述计算机程序可以被分割成采集单元、获取单元和模仿单元，各单元具体功能如下：采集单元，用于实时采集待模仿对象的二维图像；获取单元，用于获取所述待模仿对象的各个关节特征点在所述二维图像中的二维坐标以及各个关节特征点之间的配对关系；模仿单元，用于利用预先训练好的第一神经网络模型将所述待模仿对象的关节特征点在所述二维图像中的二维坐标转换为所述待模仿对象的关节特征点对应的空间三维坐标，并根据所述待模仿对象的关节特征点对应的空间三维坐标以及各个关节特征点之间的配对关系生成所述机器人的动作控制指令，所述动作控制指令用于控制所述机器人模仿所述待模仿对象的动作。
所述终端可以是智能手机等移动终端，或者是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端的示例，并不构成对终端的限定，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，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字动作模仿器(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。
所述存储器71可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器71也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，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71还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。
所述集成的模块/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取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。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(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (6)

1.一种动作模仿方法，应用于机器人，其特征在于，所述动作模仿方法包括：
实时采集待模仿对象的二维图像；
获取所述待模仿对象的各个关节特征点在所述二维图像中的二维坐标以及各个关节特征点之间的配对关系；
利用预先训练好的第一神经网络模型将所述待模仿对象的关节特征点在所述二维图像中的二维坐标转换为所述待模仿对象的关节特征点对应的空间三维坐标，并根据所述待模仿对象的关节特征点对应的空间三维坐标以及各个关节特征点之间的配对关系生成所述机器人的动作控制指令，所述动作控制指令用于控制所述机器人模仿所述待模仿对象的动作；
其中，所述获取所述待模仿对象的各个关节特征点在所述二维图像中的二维坐标以及各个关节特征点之间的配对关系，包括：
将所述二维图像输入预先训练好的第二神经网络模型，由所述第二神经网络模型输出所述待模仿对象的关节特征点在所述二维图像中的二维坐标，以及各个关节特征点之间的配对关系；
并且，所述第二神经网络模型的训练包括：
获取第一样本二维图像，以及预先标记好的样本待模仿对象的各个关节特征点在所述第一样本二维图像中的第一样本二维坐标和预先标记好的所述样本待模仿对象的各个关节特征点之间的第一配对关系；
将所述第一样本二维图像输入待训练的第二神经网络模型，并由所述待训练的第二神经网络模型输出所述样本待模仿对象的各个关节特征点在所述样本二维图像中的第二样本二维坐标，以及所述样本待模仿对象的各个关节特征点之间的第二配对关系；
根据所述第一配对关系以及所述第二配对关系确定与所述第一样本二维坐标匹配的第二样本二维坐标；
计算所述第一样本二维坐标与所述第二样本二维坐标的第一损失函数值，并在第一损失函数值小于第一阈值，且变化率小于第二阈值时，得到所述训练好的第二神经网络模型。
2.如权利要求1所述的动作模仿方法，其特征在于，所述第一神经网络模型的训练，包括：
获取预先标记的第二样本二维图像中样本待模仿对象的各个关节特征点的第三样本二维坐标，以及预先确定的所述第三样本二维坐标对应的第一样本三维坐标；
将所述第二样本二维图像中样本待模仿对象的各个关节特征点的第三样本二维坐标输入待训练的第一神经网络模型，并由所述待训练的第一神经网络模型输出所述第三样本二维坐标对应的第二样本三维坐标；
计算所述待训练的第一神经网络模型输出的所述第二样本三维坐标与所述第一样本三维坐标的第二损失函数值，并在所述第二损失函数值小于第三阈值，且变化率小于第四阈值时，得到所述训练好的第一神经网络模型。
3.如权利要求1所述的动作模仿方法，其特征在于，所述利用预先训练好的第一神经网络模型将所述待模仿对象的关节特征点在所述二维图像中的二维坐标转换为所述待模仿对象的关节特征点对应的空间三维坐标，包括：
将所述待模仿对象的关节特征点在所述二维图像中的二维坐标输入所述预先训练好的第一神经网络模型，由所述预先训练好的第一神经网络模型输出所述待模仿对象的关节特征点对应的在相机坐标系下的三维坐标；
根据相机坐标系下的坐标与世界坐标系下的坐标的转换矩阵，将所述待模仿对象的关节特征点对应的在相机坐标系下的三维坐标转换为世界坐标系下的三维坐标。
4.一种动作模仿装置，配置于机器人，其特征在于，包括：
采集单元，用于实时采集待模仿对象的二维图像；
获取单元，用于获取所述待模仿对象的各个关节特征点在所述二维图像中的二维坐标以及各个关节特征点之间的配对关系；
模仿单元，用于利用预先训练好的第一神经网络模型将所述待模仿对象的关节特征点在所述二维图像中的二维坐标转换为所述待模仿对象的关节特征点对应的空间三维坐标，并根据所述待模仿对象的关节特征点对应的空间三维坐标以及各个关节特征点之间的配对关系生成所述机器人的动作控制指令，所述动作控制指令用于控制所述机器人模仿所述待模仿对象的动作；
其中，所述获取单元，具体用于：将所述二维图像输入预先训练好的第二神经网络模型，由所述第二神经网络模型输出所述待模仿对象的关节特征点在所述二维图像中的二维坐标，以及各个关节特征点之间的配对关系；
并且，所述动作模仿装置包括：模型构建单元；所述模型构建单元用于：
获取第一样本二维图像，以及预先标记好的样本待模仿对象的各个关节特征点在所述第一样本二维图像中的第一样本二维坐标和预先标记好的所述样本待模仿对象的各个关节特征点之间的第一配对关系；
将所述第一样本二维图像输入待训练的第二神经网络模型，并由所述待训练的第二神经网络模型输出所述样本待模仿对象的各个关节特征点在所述样本二维图像中的第二样本二维坐标，以及所述样本待模仿对象的各个关节特征点之间的第二配对关系；
根据所述第一配对关系以及所述第二配对关系确定与所述第一样本二维坐标匹配的第二样本二维坐标；
计算所述第一样本二维坐标与所述第二样本二维坐标的第一损失函数值，并在第一损失函数值小于第一阈值，且变化率小于第二阈值时，得到所述训练好的第二神经网络模型。
5.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述方法的步骤。
6.一种计算机存储介质，所述计算机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3任一项所述方法的步骤。
CN201911397998.2A 2019-12-30 2019-12-30 一种动作模仿方法、装置、终端及计算机存储介质 Active CN111208783B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911397998.2A CN111208783B (zh) 2019-12-30 2019-12-30 一种动作模仿方法、装置、终端及计算机存储介质
US17/115,735 US11940774B2 (en) 2019-12-30 2020-12-08 Action imitation method and robot and computer readable storage medium using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911397998.2A CN111208783B (zh) 2019-12-30 2019-12-30 一种动作模仿方法、装置、终端及计算机存储介质

Publications (2)

Publication Number Publication Date
CN111208783A CN111208783A (zh) 2020-05-29
CN111208783B true CN111208783B (zh) 2021-09-17

Family

ID=70788282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911397998.2A Active CN111208783B (zh) 2019-12-30 2019-12-30 一种动作模仿方法、装置、终端及计算机存储介质

Country Status (2)

Country Link
US (1) US11940774B2 (zh)
CN (1) CN111208783B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111113429B (zh) * 2019-12-31 2021-06-25 深圳市优必选科技股份有限公司 一种动作模仿方法、动作模仿装置及终端设备
CN111638791B (zh) * 2020-06-03 2021-11-09 北京火山引擎科技有限公司 虚拟角色的生成方法、装置、电子设备及存储介质
CN112115799B (zh) * 2020-08-24 2023-12-26 青岛小鸟看看科技有限公司 基于标记点的三维手势的识别方法、装置及设备
CN112975993B (zh) * 2021-02-22 2022-11-25 北京国腾联信科技有限公司 一种机器人示教方法、装置、存储介质和设备
CN113146634A (zh) * 2021-04-25 2021-07-23 达闼机器人有限公司 机器人姿态的控制方法、机器人及存储介质
CN113657301A (zh) * 2021-08-20 2021-11-16 北京百度网讯科技有限公司 基于视频流的动作类型识别方法、装置及穿戴设备
US20220004801A1 (en) * 2021-09-20 2022-01-06 Beijing Baidu Netcom Science And Technology Co., Ltd. Image processing and training for a neural network
US20230119559A1 (en) * 2021-10-04 2023-04-20 Naver Corporation Pose estimation systems and methods trained using motion capture data
CN114690707B (zh) * 2021-12-01 2023-08-18 南京工业大学 一种基于改进bp神经网络的数控成形磨齿机直线轴几何综合误差辨识方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106078752A (zh) * 2016-06-27 2016-11-09 西安电子科技大学 一种基于Kinect的仿人机器人人体行为模仿方法
CN106607910A (zh) * 2015-10-22 2017-05-03 中国科学院深圳先进技术研究院 一种机器人实时模仿方法
CN106625658A (zh) * 2016-11-09 2017-05-10 华南理工大学 一种实时模仿人体上半身动作的人形机器人控制方法
CN107225573A (zh) * 2017-07-05 2017-10-03 上海未来伙伴机器人有限公司 机器人的动作控制方法和装置
CN108621159A (zh) * 2018-04-28 2018-10-09 首都师范大学 一种基于深度学习的机器人动力学建模方法
CN108829232A (zh) * 2018-04-26 2018-11-16 深圳市深晓科技有限公司 基于深度学习的人体骨骼关节点三维坐标的获取方法
CN109145788A (zh) * 2018-08-08 2019-01-04 北京云舶在线科技有限公司 基于视频的姿态数据捕捉方法和***
CN109176512A (zh) * 2018-08-31 2019-01-11 南昌与德通讯技术有限公司 一种体感控制机器人的方法、机器人及控制装置
CN110045740A (zh) * 2019-05-15 2019-07-23 长春师范大学 一种基于人类行为模拟的移动机器人实时运动规划方法
CN110415322A (zh) * 2019-07-29 2019-11-05 网易（杭州）网络有限公司 虚拟对象模型的动作指令的生成方法和装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100956521B1 (ko) * 2002-04-26 2010-05-06 혼다 기켄 고교 가부시키가이샤 다리식 이동 로봇의 제어장치
JP2004133750A (ja) * 2002-10-11 2004-04-30 Thk Co Ltd モータ制御に係る装置、方法およびプログラム
US9102055B1 (en) * 2013-03-15 2015-08-11 Industrial Perception, Inc. Detection and reconstruction of an environment to facilitate robotic interaction with the environment
EP3179407B1 (en) * 2015-12-07 2022-07-13 Dassault Systèmes Recognition of a 3d modeled object from a 2d image
US10751133B2 (en) * 2017-03-31 2020-08-25 Koninklijke Philips N.V. Markerless robot tracking systems, controllers and methods
US10919152B1 (en) * 2017-05-30 2021-02-16 Nimble Robotics, Inc. Teleoperating of robots with tasks by mapping to human operator pose
CA2995242A1 (en) * 2018-02-15 2019-08-15 Wrnch Inc. Method and system for activity classification
EP3731185A1 (en) * 2019-04-26 2020-10-28 Tata Consultancy Services Limited Weakly supervised learning of 3d human poses from 2d poses
WO2020254448A1 (en) * 2019-06-17 2020-12-24 Ariel Ai Inc. Scene reconstruction in three-dimensions from two-dimensional images
CN110348524B (zh) * 2019-07-15 2022-03-04 深圳市商汤科技有限公司 一种人体关键点检测方法及装置、电子设备和存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106607910A (zh) * 2015-10-22 2017-05-03 中国科学院深圳先进技术研究院 一种机器人实时模仿方法
CN106078752A (zh) * 2016-06-27 2016-11-09 西安电子科技大学 一种基于Kinect的仿人机器人人体行为模仿方法
CN106625658A (zh) * 2016-11-09 2017-05-10 华南理工大学 一种实时模仿人体上半身动作的人形机器人控制方法
CN107225573A (zh) * 2017-07-05 2017-10-03 上海未来伙伴机器人有限公司 机器人的动作控制方法和装置
CN108829232A (zh) * 2018-04-26 2018-11-16 深圳市深晓科技有限公司 基于深度学习的人体骨骼关节点三维坐标的获取方法
CN108621159A (zh) * 2018-04-28 2018-10-09 首都师范大学 一种基于深度学习的机器人动力学建模方法
CN109145788A (zh) * 2018-08-08 2019-01-04 北京云舶在线科技有限公司 基于视频的姿态数据捕捉方法和***
CN109176512A (zh) * 2018-08-31 2019-01-11 南昌与德通讯技术有限公司 一种体感控制机器人的方法、机器人及控制装置
CN110045740A (zh) * 2019-05-15 2019-07-23 长春师范大学 一种基于人类行为模拟的移动机器人实时运动规划方法
CN110415322A (zh) * 2019-07-29 2019-11-05 网易（杭州）网络有限公司 虚拟对象模型的动作指令的生成方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Design and Motion control of a Small Underwater Robot;Miaochen Guo等;《2018 IEEE International Conference on Cyborg and Bionic Systems》;20181027;378-384 *

Also Published As

Publication number Publication date
CN111208783A (zh) 2020-05-29
US20210200190A1 (en) 2021-07-01
US11940774B2 (en) 2024-03-26

Similar Documents

Publication Publication Date Title
CN111208783B (zh) 一种动作模仿方法、装置、终端及计算机存储介质
CN111815754B (zh) 一种三维信息确定方法、三维信息确定装置及终端设备
CN111694429A (zh) 虚拟对象驱动方法、装置、电子设备及可读存储
CN111402290A (zh) 一种基于骨骼关键点的动作还原方法以及装置
EP4307233A1 (en) Data processing method and apparatus, and electronic device and computer-readable storage medium
KR20220160066A (ko) 이미지 처리 방법 및 장치
CN109732593B (zh) 一种机器人的远端控制方法、装置及终端设备
CN113298870B (zh) 一种物体的姿态跟踪方法、装置、终端设备和存储介质
CN111508033A (zh) 相机参数确定方法、图像处理方法、存储介质及电子装置
CN112686950A (zh) 位姿估计方法、装置、终端设备及计算机可读存储介质
CN113256718A (zh) 定位方法和装置、设备及存储介质
CN112287730A (zh) 姿态识别方法、装置、***、存储介质及设备
CN113119104B (zh) 机械臂控制方法、机械臂控制装置、计算设备及***
Lee et al. Control framework for collaborative robot using imitation learning-based teleoperation from human digital twin to robot digital twin
CN113601510A (zh) 基于双目视觉的机器人移动控制方法、装置、***及设备
KR102063408B1 (ko) 가상 객체와의 상호 작용을 위한 방법 및 장치
CN109531578B (zh) 仿人机械手臂体感控制方法及装置
CN116580169A (zh) 一种数字人驱动方法及装置、电子设备和存储介质
CN111127632A (zh) 人体建模模型获取方法、装置、电子设备及存储介质
CN112307799A (zh) 姿态识别方法、装置、***、存储介质及设备
KR20200057572A (ko) 딥러닝 기반 손 인식 증강현실 상호 작용 장치 및 방법
CN113724176A (zh) 一种多摄像头动作捕捉无缝衔接方法、装置、终端及介质
CN110913246B (zh) 图像处理方法及装置、电子设备和存储介质
CN116266402A (zh) 对象自动标注方法、装置、电子设备及存储介质
CN115862054A (zh) 图像数据处理方法、装置、设备以及介质

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