CN111948644A - 基于毫米波雷达的机器人地形识别方法及雷达装置 - Google Patents
基于毫米波雷达的机器人地形识别方法及雷达装置 Download PDFInfo
- Publication number
- CN111948644A CN111948644A CN202010680395.XA CN202010680395A CN111948644A CN 111948644 A CN111948644 A CN 111948644A CN 202010680395 A CN202010680395 A CN 202010680395A CN 111948644 A CN111948644 A CN 111948644A
- Authority
- CN
- China
- Prior art keywords
- radar device
- radar
- ground
- millimeter wave
- time
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C7/00—Tracing profiles
- G01C7/02—Tracing profiles of land surfaces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请实施例公开了一种基于毫米波雷达的机器人地形识别方法及雷达装置。该方法包括:雷达装置向地面发射毫米波雷达信号并接收回波信号;根据接收到的回波信号,雷达装置可以计算得到机器人在不同地形上行走时地面与雷达装置之间的距离信息和相对速度信息;雷达装置进而可以利用神经网络对机器人行走过程中的地形进行识别。实施本申请实施例,可以通过毫米波雷达识别机器人行走过程中的地形,提高机器人行走的稳定性。
Description
技术领域
本申请涉及毫米波探测技术领域,具体涉及基于毫米波雷达的机器人地形识别方法及雷达装置。
背景技术
随着机器人的发展,外骨骼机器人的应用越来越广泛。外骨骼机器人即机器人与人类的合体。外骨骼机器人可实现辅助人类行走、负重等功能。
外骨骼机器人在行走的过程中,需要根据识别到的地形来调节下肢的运动。目前,外骨骼机器人可以通过深度相机和惯性测量单元获取周边的环境点云,然后利用神经网络对环境点云进行分类,从而识别周边环境的地形。例如,平地、上楼梯或者下楼梯等。
但由于深度相机是基于光学图像的,其地形识别的正确率受光线影响大。当环境中光线不足时,地形识别的正确率会显著下降,从而影响了外骨骼机器人行走的稳定性。
发明内容
本申请实施例提供了一种基于毫米波雷达的机器人地形识别方法及雷达装置,可用于识别机器人行走过程中的地形,提高机器人行走的稳定性。
第一方面,本申请实施例提供了一种机器人地形识别方法,该方法应用于雷达装置,该雷达装置安装在机器人的第一脚部。其中:
雷达装置可以向第一地面先后发射K次毫米波雷达信号,并先后接收到K次回波信号。K为正整数。
雷达装置可以根据这K次回波信号确定发射K次毫米波雷达信号时第一地面与雷达装置之间的距离信息和相对速度信息。其中,这K次回波信号中的第i次回波信号可用于确定发射第i次毫米波雷达信号时第一地面与雷达装置之间的距离信息、相对速度信息。上述第i次回波信号对应上述第i次毫米波雷达信号。上述第i次回波信号包括第一地面的H个目标反射回来的H个回波信号,这H个回波信号中的第j个回波信号可用于确定第j个目标与雷达装置之间的距离信息、相对速度信息。发射上述第i次毫米波雷达信号时第一地面与所述雷达装置之间的距离信息可包括上述H个目标与雷达装置之间的距离信息。发射上述第i次毫米波雷达信号时第一地面与雷达装置之间相对速度信息可包括上述H个目标与雷达装置之间的相对速度信息。i为小于或等于K的正整数。H为正整数。j为小于或等于H的正整数。
雷达装置可根据发射K次毫米波雷达信号时第一地面与雷达装置之间的距离信息和相对速度信息,确定第一地面的地形。
需要进行说明的是,上述第一地面与雷达装置之间的相对速度信息可以包括第一地面与雷达装置之间的相对速度大小、相对速度方向。
在本申请中,雷达装置可以在第一时间段内向第一地面先后发射K次毫米波雷达信号,并先后接收到K次回波信号。该第一时间段为该第一脚部抬离该第一地面并远离该第二脚部移动至该第一脚部落地这一过程的持续时长。该机器人还包括该第二脚部。
结合第一方面,在一种可能的实现方式中,当雷达装置确定雷达装置所安装于的第一脚部为该机器人的支撑腿的脚部时,雷达装置可以停止发射该毫米波雷达信号。这样可以节省雷达装置的功耗。
需要进行说明的是,雷达装置中可包含有运动传感器。该运动传感器可用于检测机器人腿部的运动状态。当运动传感器确定安装有雷达装置的腿部为支撑腿时,该雷达装置可以停止发射毫米波雷达信号。
结合第一方面,雷达装置可以利用神经网络,根据发射K次毫米波雷达信号时该第一地面与雷达装置之间的距离信息和相对速度信息,确定第一地面的地形。该神经网络是经过训练集训练得到的,该训练集包括该机器人在不同地形上行走时,该雷达装置获取的该不同地形的地面与该雷达装置之间的距离信息和相对速度信息;该不同地形包括以下两项或两个以上项:平地、上楼梯、下楼梯、上坡、下坡。
机器人在不同地形上行走时,不同地形的地面与安装在机器人第一脚部的雷达装置之间的距离信息和相对速度信息是不同的。其中:
1、机器人在平地行走
雷达装置发射毫米波雷达信号,可以接收到地面的多个目标反射回来的回波信号。上述多个目标可以呈现水平的分布。上述多个目标与雷达装置之间的距离相等或相近。
上述多个目标与雷达装置之间的相对速度方向可以为外骨骼机器人行走方向的反方向。
2、机器人上楼梯
雷达装置发射毫米波雷达信号,可以接收到地面的多个目标反射回来的回波信号。上述多个目标可以呈现阶梯向上的分布。上述多个目标与雷达装置之间的距离可以有一个突变。根据目标与雷达装置之间的距离可以将这多个目标分为两部分,其中一部分的目标与雷达装置之间的距离远大于另一部分的目标与雷达装置之间的距离。也即是说,上述多个目标可以包含于两级台阶。这两级台阶可以包括支撑腿所在的一级台阶和摆动腿即将到达的一级台阶。其中与雷达装置之间的距离较小的目标可以包含于摆动腿即将到达的一级台阶,与雷达装置之间的距离较大的目标可以包含于支撑腿所在的一级台阶。
在上楼梯的过程中,机器人需要将摆动腿往上抬来迈向更高的一级台阶,包含于支撑腿所在的一级台阶的多个目标与雷达装置之间的相对速度的方向可为垂直向上的方向。
3、机器人下楼梯
雷达装置发射毫米波雷达信号,可以接收到地面的多个目标反射回来的回波信号。上述多个目标可以呈现阶梯向下的分布。上述多个目标与雷达装置之间的距离可以有一个突变。根据目标与雷达装置之间的距离可以将这多个目标分为两部分,其中一部分的目标与雷达装置之间的距离远大于另一部分的目标与雷达装置之间的距离。也即是说,上述多个目标可包含于两级台阶。这两级台阶可以包括支撑腿所在的一级台阶和摆动腿即将到达的一级台阶。其中与雷达装置之间的距离较小的目标可以包含于支撑腿所在的一级台阶,与雷达装置之间的距离较大的目标可以包含于摆动腿即将到达的一级台阶。
在下楼梯的过程中,机器人需要将摆动腿往下来到达更低的一级台阶,包含于摆动腿即将到达的一级台阶的多个目标与雷达装置之间的相对速度的方向可为垂直向下的方向。
4、机器人上坡
雷达装置发射毫米波雷达信号,可以接收到地面的多个目标反射回来的回波信号。上述多个目标可以呈现向上倾斜的分布。上述多个目标与雷达装置之间的距离是逐渐变化的。其中,越靠近坡度上方的目标与雷达装置之间的距离越小,越靠近坡度下方的目标与雷达装置之间的距离越大。
在上坡的过程中,机器人需要抬腿爬坡,上述多个目标与雷达装置之间的相对速度的方向可以为倾斜向下的方向。其中,相对速度倾斜向下的角度可以与坡度相等或相近。
5、机器人下坡
雷达装置发射毫米波雷达信号,可以接收到地面的多个目标反射回来的回波信号。上述多个目标可以呈现向下倾斜的分布。上述多个目标与雷达装置之间的距离是逐渐变化的。其中,越靠近坡度上方的目标与雷达装置之间的距离越大,越靠近坡度下方的目标与雷达装置之间的距离越小。
在下坡的过程中,这多个目标与雷达装置之间的相对速度的方向可以为倾斜向上的方向。其中,相对速度倾斜向上的角度可以与坡度相等或相近。
在本申请实施例中,上述第i次回波信号还包含干扰物的目标反射回来的回波信号。雷达装置根据K此回波信号确定发射K此回波信号时第一地面与雷达装置之间的距离信息和相对速度信息之前,雷达装置可以对上述第i次回波信号中的多个回波信号进行恒虚警率检测,并筛选出第一地面的目标。上述恒虚警率检测可用于判断第i次回波信号中的多个回波信号是否为第一地面的目标反射回来的回波信号。
结合第一方面,在一种可能的实现方式中,雷达装置可以对K次回波信号进行脉冲维时频分析,得到n2个时频图。
上述脉冲维时频分析可以为按照雷达装置发射K次毫米波雷达信号的先后顺序,对发射K次毫米波雷达信号接收到的同一距离处的回波信号进行时频分析。上述时频图可用于指示雷达装置发射K次毫米波雷达信号时第一地面与雷达装置之间的距离信息和相对速度信息。时频图的个数n2为正整数,由雷达装置的距离分辨率和雷达装置接收K次回波信号的第一距离范围确定。
上述时频分析的方法可以包括:短时傅里叶变换、小波变换。
上述第一距离范围可以为机器人在行动过程中,地面与雷达装置之间的距离范围。例如,0~0.3米的范围内、0~0.45米的范围内。
结合第一方面,在一种可能的实现方式中,雷达装置可以将n2个时频图分别作为神经网络的输入,得到神经网络的n2个输出。
当n2个输出中有大于或等于n1个输出相同,雷达装置可以确定相同的n1个输出为第一地面的地形。其中,n1为小于n2的正整数。
雷达装置可以根据接收到的回波信号,确定雷达装置发射毫米波雷达信号时第一地面与雷达装置之间的距离信息和相对速度信息。进一步的,雷达装置可以利用神经网络确定第一地面的地形。其中上述第一地面与雷达装置之间的距离信息和相对速度信息可用于辅助机器人计算其摆动腿的触地点和触地时间,这样有利于机器人对其摆动腿和支撑腿弯曲的角度等结果进行调整,提高行走的稳定性。
并且,毫米波雷达信号本身不受光线强度、雨雾霾等环境的影响。当环境中光线强度不足时,雷达装置进行地形识别的正确率并不会下降,从而有利于提高机器人行走的稳定性。
第二方面,本申请实施例提供了一种雷达装置,包括:相互耦合的发射器、接收器、存储器和处理器。其中,发射器可用于发射毫米波雷达信号。接收器可用于接收反射回来的回波信号。存储器可用于存储计算机程序指令。处理器可用于执行上述计算机程序指令,使得该雷达装置实现如第一方面中任一可能的实现方式。
第三方面,本申请实施例提供了一种计算机可读存储介质,包括指令。当上述指令在雷达装置上运行,雷达装置可以实现如第一方面中任一可能的实现方式。
可以理解地,上述第二方面提供的雷达装置,第三方面提供的计算机可读存储介质均用于执行本申请实施例提供的方法。因此,其所能达到的有益效果可参考对应方法中的有益效果,此处不再赘述。
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外骨骼机器人在行走过程的应用场景示意图;
图2A和图2B是本申请实施例提供的一种外骨骼机器人在平地上行走的应用场景示意图;
图3A和图3B是本申请实施例提供的一种外骨骼机器人上楼梯的应用场景示意图;
图4A和图4B是本申请实施例提供的一种外骨骼机器人下楼梯的应用场景示意图;
图5A和图5B是本申请实施例提供的一种外骨骼机器人上坡的应用场景示意图;
图6A和图6B是本申请实施例提供的一种外骨骼机器人下坡的应用场景示意图;
图7是本申请实施例提供的一种雷达装置进行恒虚警率检测的框架图;
图8是本申请实施例提供的一种雷达装置进行地形识别的方法流程图;
图9~图11是本申请实施例提供的雷达装置在处理回波信号过程中一些回波矩阵的示意图;
图12是本申请实施例提供的一种雷达装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动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。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请实施例提供了基于毫米波雷达的机器人地形识别方法及雷达装置。雷达装置可以安装在外骨骼机器人左脚和右脚的脚掌上。在外骨骼机器人行走的过程中,雷达装置可以向地面发射毫米波雷达信号,并接收回波信号。该回波信号为地面反射的毫米波雷达信号。雷达装置可以根据该回波信号计算地面与雷达装置之间的距离以及相对速度。其中,不同的地形上反射毫米波雷达信号的位置点具有不同的分布。例如,外骨骼机器人在平地上一次迈步时,雷达装置可以发射毫米波雷达信号并接收多个回波信号,反射这多个回波信号的多个位置点可以呈现水平的分布,即这多个位置点与雷达装置之间的距离相等或相近。另外,这多个位置点与雷达装置之间的相对速度的方向可为外骨骼机器人移动方向的反方向。为外骨骼机器人在下楼梯的过程中一次迈步时,雷达装置可以发射毫米波雷达信号并接收多个回波信号,反射这多个回波信号的多个位置点可以呈现阶梯向下的分布,即这多个位置点与雷达装置之间的距离有一个突变。根据位置点与雷达装置之间的距离可以将这多个位置点分为两部分,一部分的位置点与雷达装置之间的距离远大于另一部分的位置点与雷达装置之间的距离。另外,这多个位置点与雷达装置之间的相对速度的方向可为垂直向下的方向。可见,在不同地形上,雷达装置计算得到的地面与雷达装置之间的距离以及相对速度是不同的。那么,根据地面与雷达装置之间的距离以及相对速度,雷达装置可以利用训练好的神经网络对地形进行分类,从而识别外骨骼机器人周边环境的地形。例如,地形为平地、上楼梯、下楼梯、上坡或者下坡等。
由于毫米波雷达信号不受光线强度、雨雾霾等环境的影响,当环境中光线强度不足时,雷达装置进行地形识别的正确率并不会下降,从而有利于提高外骨骼机器人行走的稳定性。
下面介绍本申请实施例提供的一种雷达装置。
图1示出了一种外骨骼机器人在行走过程中利用雷达装置识别地形的应用场景示意图。如图1所示,雷达装置可以安装在外骨骼机器人的左脚101和右脚102的脚掌上。图12示例性示出了雷达装置的结构示意图。如图12所示,雷达装置中可包含通过总线相互耦合的发射器401、接收器402、存储器403以及处理器404。其中:
发射器401可用于发射毫米波雷达信号。毫米波雷达信号的方向可以朝向脚掌下方,即朝向地面。雷达装置通过发射器401发射的毫米波雷达信号可以为经过线性调频的线性调频脉冲。线性调频脉冲的频率随着时间线性变化。
在本申请的后续实施例中,均以毫米波雷达信号为线性调频脉冲为例进行说明。
接收器402可用于接收回波信号。回波信号可以为地面反射的毫米波雷达信号。在本申请中,反射回波信号的位置点可以称为目标。地面可以由多个目标组成。发射器401向地面发射一次毫米波雷达信号,接收器402可以接收到地面的目标反射回来的多个回波信号。
存储器403可用于存储计算机程序指令、接收器402接收到的回波信号、地形识别的结果。
处理器404可用于执行存储于存储器403中的计算机程序指令,来计算地面与雷达装置之间的距离以及相对速度,进而利用训练好的神经网络,例如卷积神经网络,来识别外骨骼机器人周边环境的地形。
如图1所示的雷达装置的监测角度θ103可以由发射天线的波束宽度决定。上述监测角度θ103可以指示雷达装置发射的一个脉冲(即前述线性调频脉冲)所能覆盖的监测范围。
在一种可能的实现方式中,雷达装置可以采用多输入多输出(multipleinputmultiple output,MIMO)技术,即雷达装置可以包含多个发射天线单元(即前述发射器401)和多个接收天线单元(即前述接收器402)。示例性的,雷达装置中包含3个发射天线单元和4个接收天线单元。其中每一个发射天线单元中可以包含3个发射天线。这3个发射天线可以排列在同一个方向上。这样,发射天线单元发射的毫米波雷达信号的能量可以更加集中。每一个接收天线单元中也可以包含3个接收天线。雷达装置可以每次使用一个发射天线单元发射毫米波雷达信号。即雷达装置可以在第一时间段、第二时间段和第三时间段分别使用第一发射天线单元、第二发射天线单元和第三发射天线单元发射毫米波雷达信号。并且反射每一个发射天线单元发射的毫米波雷达信号得到的回波信号均可由4个接收天线单元接收。雷达装置的监测角度θ103可以为一个发射天线单元的波束宽度。其中,一个发射天线单元的波束宽度可以由波长λ、发射天线的数量N以及发射天线之间的距离d0决定。即θ=λ/(N*d0)。上述波长λ即为毫米波雷达信号的波长。发射天线之间的距离d0可以为波长λ的一半。对于包含3个发射天线的发射天线单元,监测角度θ103可以为2/3个弧度。由于一个弧度约为57°,则监测角度θ103可以为38°。
本申请实施例对上述雷达装置中发射天线单元和接收天线单元的数量以及工作方式均不作限定。
本申请实施例对雷达装置的安装位置不作限定,除了在脚掌上,还可在外骨骼机器人的脚踝处。
雷达装置还可包含更多或更少的结构,本申请实施例对此不作限定。
雷达装置可以根据回波信号,确定外骨骼机器人周边环境的地形为平地、上楼梯、下楼梯、上坡以及下坡这五种地形中的一种。本申请实施例对地形的分类不作限定,除了上述五种地形,雷达装置还可以对地形进行其它类型的分类。
下面对外骨骼机器人在平地、上楼梯、下楼梯、上坡以及下坡这五种地形上行走的应用场景进行介绍。
外骨骼机器人行走过程的一个周期可以为从左腿迈步到下一次左腿迈步(或从右腿迈步到下一次右腿迈步)所经过的时间。这一个周期内包含一次左腿迈步的过程和一次右腿迈步的过程。也即是说,这一个周期内包含有左腿为支撑腿、右腿为摆动腿以及左腿为摆动腿、右腿为支撑腿这两个阶段。
在一种可能的实现方式中,安装于摆动腿上的雷达装置可以在摆动腿位于支撑腿的前方时处于工作状态,安装于支撑腿上的雷达装置可以处于休眠状态。上述处于工作状态可以表示雷达装置发射线性调频脉冲,并处理接收到的回波信号。上述处于休眠状态可以表示雷达装置停止发射线性调频脉冲。由于雷达装置识别外骨骼机器人周边环境的地形,主要是辅助外骨骼机器人判断在当前时刻即将迈出的一步中,摆动腿的触地点、摆动腿和支撑腿的关节应该如何弯曲以及弯曲的角度等信息,那么雷达装置可以主要识别外骨骼机器人在当前时刻即将迈出的一步中所处的地形。
也即是说,当外骨骼机器人的一条腿从支撑腿转换为摆动腿,且这一条腿摆动至支撑腿的前方时,安装于这一条腿上的雷达装置从休眠状态切换为工作状态,来识别这一条腿摆动至支撑腿的前方所处的地形。外骨骼机器人进而可以根据这一条腿摆动至支撑腿的前方所处的地形来判断摆动腿的触地点、摆动腿和支撑腿的关节应该如何弯曲以及弯曲的角度等信息,提高外骨骼机器人行走的稳定性。这样切换工作状态和休眠状态的方式有利于节省雷达装置的功耗。
在一种可能的实现方式中,雷达装置中可包含有运动传感器。该运动传感器可用于检测机器人腿部的运动状态。当运动传感器确定安装有雷达装置的腿部为支撑腿时,该雷达装置可以停止发射毫米波雷达信号。
本申请实施例对雷达装置切换工作状态和休眠状态的方式不作限定,安装于左脚和右脚上的雷达装置还可以一直处于工作状态。
1、平地
图2A和图2B示例性示出了外骨骼机器人在平地上行走的应用场景。
如图2A所示,当外骨骼机器人在平地行走,且摆动腿位于支撑腿的前方时,安装在摆动腿上的雷达装置可以向地面发射线性调频脉冲,并接收地面反射的回波信号。
如图2B所示,外骨骼机器人在平地行走的过程中,雷达装置可以接收到平地上多个目标反射的回波信号。雷达装置可以以安装在支撑腿的雷达装置的中心为原点,以外骨骼机器人前进的方向为y轴的正方向,以外骨骼机器人右侧且垂直于y轴的方向为x轴的正方向,以垂直于水平地面向上的方向为z轴的正方向,建立如图2B所示的右手直角坐标系。则当外骨骼机器人的一条腿从支撑腿转换为摆动腿,且安装在这一条腿上的雷达装置在上述右手直角坐标系中坐标y的位置大于0时,安装在这一条腿上的雷达装置可以从休眠状态切换为工作状态。这样,安装在摆动腿上的雷达装置可以计算支撑腿前方的目标与摆动腿上的雷达装置之间的距离和相对速度,从而对支撑腿前方的地形进行识别。
需要进行说明的是,在本申请中,目标与雷达装置之间的相对速度均为一个矢量。也即是说,上述相对速度包括目标与雷达装置之间的相对速度的大小以及相对速度的方向。
从图2B可以看出,在外骨骼机器人在平地上沿着y轴的正方向行走的过程中,包含于地面的多个目标呈现水平的分布,这多个目标与雷达装置之间的距离相等或相近,这多个目标与雷达装置之间的相对速度的方向可以为右手坐标系中y轴的反方向,即外骨骼机器人移动方向的反方向。
本申请实施例对建立上述坐标系的方式不作限定。
2、上楼梯
图3A和图3B示例性示出了外骨骼机器人上楼梯的应用场景。
如图3A所示,当外骨骼机器人上楼梯,且摆动腿位于支撑腿的前方时,安装在摆动腿上的雷达装置可以向地面发射线性调频脉冲,并接收地面反射的回波信号。
图3B示出了在外骨骼机器人上楼梯的过程中,包含于地面的多个目标所呈现的分布。从图3B可以看出,包含于地面的多个目标呈现阶梯向上的分布。这多个目标与雷达装置之间的距离有一个突变。根据目标与雷达装置之间的距离可以将这多个目标分为两部分,其中一部分的目标与雷达装置之间的距离远大于另一部分的目标与雷达装置之间的距离。也即是说,反射线性调频脉冲的目标可包含于两级台阶,这两级台阶可以包括支撑腿所在的一级台阶和摆动腿即将到达的一级台阶。其中与雷达装置之间的距离较小的目标可以包含于摆动腿即将到达的一级台阶,与雷达装置之间的距离较大的目标可以包含于支撑腿所在的一级台阶。由于在上楼梯的过程中,外骨骼机器人需要将摆动腿往上抬来迈向更高的一级台阶,包含于支撑腿所在的一级台阶的多个目标与雷达装置之间的相对速度的方向可为垂直向上的方向。
3、下楼梯
图4A和图4B示例性示出了外骨骼机器人下楼梯的应用场景。
如图4A所示,当外骨骼机器人下楼梯,且摆动腿位于支撑腿的前方时,安装在摆动腿上的雷达装置可以向地面发射线性调频脉冲,并接收地面反射的回波信号。
图4B示出了在外骨骼机器人下楼梯的过程中,包含于地面的多个目标所呈现的分布。从图4B可以看出,包含于地面的多个目标呈现阶梯向下的分布。这多个目标与雷达装置之间的距离有一个突变。根据目标与雷达装置之间的距离可以将这多个目标分为两部分,其中一部分的目标与雷达装置之间的距离远大于另一部分的目标与雷达装置之间的距离。也即是说,反射线性调频脉冲的目标可包含于两级台阶,这两级台阶可以包括支撑腿所在的一级台阶和摆动腿即将到达的一级台阶。其中与雷达装置之间的距离较小的目标可以包含于支撑腿所在的一级台阶,与雷达装置之间的距离较大的目标可以包含于摆动腿即将到达的一级台阶。由于在下楼梯的过程中,外骨骼机器人需要将摆动腿往下来到达更低的一级台阶,包含于摆动腿即将到达的一级台阶的多个目标与雷达装置之间的相对速度的方向可为垂直向下的方向。
4、上坡
图5A和图5B示例性示出了外骨骼机器人上坡的应用场景。
如图5A所示,当外骨骼机器人上坡,且摆动腿位于支撑腿的前方时,安装在摆动腿上的雷达装置可以向地面发射线性调频脉冲,并接收地面反射的回波信号。
图5B示出了在外骨骼机器人上坡的过程中,包含于地面的多个目标多呈现的分布。从图5B可以看出,包含于地面的多个目标呈现向上倾斜的分布。这多个目标与雷达装置之间的距离是逐渐变化的,其中,越靠近坡度上方的目标与雷达装置之间的距离越小,越靠近坡度下方的目标与雷达装置之间的距离越大。由于在上坡的过程中,外骨骼机器人需要抬腿爬坡,这多个目标与雷达装置之间的相对速度的方向可以为倾斜向下的方向。其中,相对速度倾斜向下的角度可以与坡度相等或相近。
5、下坡
图6A和图6B示例性示出了外骨骼机器人下坡的应用场景。
如图6A所示,当外骨骼机器人下坡,且摆动腿位于支撑腿的前方时,安装在摆动腿上的雷达装置可以向地面发射线性调频脉冲,并接收地面反射的回波信号。
图6B示出了在外骨骼机器人下坡的过程中,包含于地面的多个目标多呈现的分布。从图6B可以看出,包含于地面的多个目标呈现向下倾斜的分布。这多个目标与雷达装置之间的距离是逐渐变化的,其中,越靠近坡度上方的目标与雷达装置之间的距离越大,越靠近坡度下方的目标与雷达装置之间的距离越小。在下坡的过程中,这多个目标与雷达装置之间的相对速度的方向可以为倾斜向上的方向。其中,相对速度倾斜向上的角度可以与坡度相等或相近。
在本申请实施例中,图3B、图4B、图5B和图6B所示的右手直角坐标系的建立方法可以参考前述对图2B所示的右手直角坐标系的建立方法的说明,这里不再赘述。
由上述外骨骼机器人在不同地形上行走的应用场景可以看出,在不同的地形上,雷达装置向地面发射线性调频脉冲并接收来自目标反射的回波信号。这些目标可以呈现不同的分布,进而,这些目标与雷达装置之间的距离以及相对速度也是不同的。那么当得到目标与雷达装置之间的距离以及相对速度的信息,雷达装置即可根据这些信息来识别外骨骼机器人周边环境的地形。
本申请实施例中进行地形识别的过程涉及到雷达装置测距、恒虚警率检测、时频分析以及卷积神经网络,下面先对雷达装置测距、恒虚警率检测、时频分析以及卷积神经网络的原理进行介绍。
1、雷达装置测距
雷达装置可以利用距离维快速傅里叶变换(fast fourier transform,FFT)计算目标与雷达装置之间的距离。上述距离维FFT可以表示对雷达装置发射的同一个线性调频脉冲接收到的不同距离处的回波信号进行FFT。雷达装置可以对发射的线性调频脉冲和接收的回波信号进行差频处理,并得到中频信号。上述回波信号为一个目标对上述发射的线性调频脉冲反射得到的信号。然后,雷达装置可以对该中频信号进行距离维FFT,得到中频频率。根据上述中频频率,雷达装置可以计算得到这一个目标与雷达装置之间的距离。具体计算方式如下:
雷达装置可以发射线性调频脉冲,并接收来自目标对该发射的线性调频脉冲反射的回波信号。根据发射的线性调频脉冲和接收的回波信号之间的时间间隔以及电磁波传播速度,雷达装置可以计算目标与雷达装置之间的距离。其中线性调频脉冲和回波信号均为电磁波,其传播速度即为电磁波传播速度。目标距离计算公式可如下式(1)所示:
其中,τ为发射的线性调频脉冲和接收的回波信号之间的时间间隔,c为电磁波传播速度,为目标与雷达装置之间的距离。
在一种可能的实现方式中,雷达装置可以根据发射的线性调频脉冲和接收的回波信号之间的频率差值计算上述时间间隔τ。
由于发射的线性调频脉冲和接收的回波信号之间存在时间间隔,那么发射的线性调频脉冲和接收的回波信号之间存在频率差值。根据线性调频脉冲的频率随时间线性变化的频率特性可知,上述频率差值为一个固定的值。
雷达装置可以对发射的线性调频脉冲和接收的回波信号进行差频处理,得到中频信号。对上述中频信号进行FFT,雷达装置可以得到中频频率。根据上述中频频率,雷达装置可以计算上述时间间隔τ,进而计算目标与雷达装置之间的距离。
具体的,假如雷达装置发射的线性调频脉冲的带宽为B,持续时间为T,则该线性调频秒冲的调频斜率μ可以为带宽B除以持续时间T。对上述中频信号进行FFT处理,雷达装置可以得到中频频率f0。中频频率f0可以如下式(2)所示:
f0=τ*μ=2d*μ/c (2)
根据公式(2)可知,目标与雷达装置之间的距离可以利用中频频率进行计算,具体计算公式可以如下式(3)所示:
d=f0*c/(2μ) (3)
需要进行说明的是,雷达装置的距离分辨率与线性调频脉冲的带宽B相关。上述距离分辨率可以表示当两个目标位于雷达装置的同一方向,但与雷达装置之间的距离不同时,雷达装置能够区分该两个目标的最小距离。上述距离分辨率的计算公式可以如下式(4)所示:
其中,ΔR为距离分辨率,c为电磁波传播速度。B为线性调频脉冲的带宽。
根据公式(4)可知,雷达装置发射的线性调频脉冲的带宽越大,其距离分辨率越高。例如,当线性调频脉冲的带宽为4吉赫(GHz),则雷达装置的距离分辨率为3.75厘米。即当位于雷达装置同一方向的两个目标之间的距离大于3.75厘米时,雷达装置可以区分出该两个目标。
2、恒虚警率检测
恒虚警率检测是指雷达装置在保持虚警概率恒定的条件下判断雷达装置监测范围内反射回波信号的位置点(即目标)是否包含于地面。
雷达装置接收的回波信号中可能包含噪声、杂波等多种干扰信号。这些干扰信号可能是线性调频脉冲在传播过程中的多径效应产生的。上述多径效应表示雷达装置发射一个线性调频脉冲,该线性调频脉冲经过多次反射才被雷达装置接收到。若雷达装置向一个干扰目标发射线性调频脉冲并接收到这一个干扰目标反射该线性调频脉冲的时间与雷达装置从发射线性调频脉冲到接收到经过上述多次反射的线性调频脉冲所经过的时间相同,则线性调频脉冲经过多次反射才被雷达装置接收到就等效于雷达装置接收到这一个干扰目标反射的雷达信号。上述干扰目标并不包含于地面,会影响雷达装置对地形的判断,给地形识别带来误差。
为了判断雷达装置监测范围内反射回波信号的位置点是否包含于地面,雷达装置可以设置信号门限。当确定反射回波信号的位置点,且该回波信号的幅度超过信号门限,雷达装置可以认为这一个位置点包含于地面。但干扰信号的幅度可以随着时间、地点等发生变化,进行检测时不宜设置固定的信号门限。例如,当接收到的信号为干扰信号,但雷达装置认为反射该信号的位置点包含于地面,则出现虚警。当雷达装置接收到的信号不是干扰信号,但雷达装置认为反射该信号的位置点不包含于地面(即为干扰目标),则会出现漏报。在恒虚警率检测的过程中,信号门限可以根据干扰信号的幅度自适应调整。当干扰信号幅度大,雷达装置可以提高自适应信号门限。当干扰信号幅度小,雷达装置可以降低自适应信号门限,从而保证虚警概率恒定
具体的,雷达装置可以利用有序统计恒虚警率(orderstatistics-constantfalsealarm rate,OS-CFAR)检测来判断反射回波信号的位置点是否包含于地面。
为了判断一个待监测区域内是否存在包含于地面的目标,在确定上述自适应信号门限时,雷达装置可以将监测范围划分成多个子范围。其中,待监测区域所属的子范围可以作为检测单元。检测单元附近的若干个子范围可作为保护单元。其余的子范围可作为参考单元。根据在上述参考单元内接收到的信号的幅度,雷达装置可以估计干扰信号的幅度,从而确定自适应信号门限的大小。
请参阅图7,图7是本申请本实施例提供的一种雷达装置进行OS-CFAR检测的框架图。如图7所示,OS-CFAR检测包含检测单元201、保护单元202、参考单元203以及判决器204。
雷达装置可以将在各参考单元内接收的信号的幅度根据值的大小进行排序,并将其中第k个最小参考单元xk作为干扰信号幅度的估计值Z。第k个最小参考单元xk可以表示在参考单元xk内接收到的回波信号的幅度是n个参考单元中接收到的回波信号的幅度中第k小的。n个参考单元可以包括:x1、…、xn/2、xn/2+1、…、xn。上述k为大于或等于1,且小于或等于n的整数。n为参考单元的数量。
当得到干扰信号幅度的估计值Z,雷达装置可以将上述估计值Z乘以门限因子Q,即可确定用于判断反射回波信号的位置点是否包含于地面的自适应信号门限S。上述门限因子Q可以根据恒定的虚警概率计算得到,具体的计算方法可以参考现有技术OS-CFAR检测中计算门限因子的方法,本申请实施例对此不进行限定。
判决器204可用于判断检测单元中是否存在包含于地面的目标。具体的,当检测单元x0内接收的信号的幅度大于自适应信号门限S,判决器204的输出结果为H1,雷达装置可以认为检测单元201中存在包含于地面的目标。当检测单元x0内接收的信号的幅度小于自适应信号门限S,判决器204的输出结果为H0,雷达装置可以认为检测单元201中不存在包含于地面的目标。
3、时频分析
雷达装置可以利用脉冲维时频分析(joint time-frequency analysis,JTFA)计算目标与雷达装置之间的相对速度。在外骨骼机器人行走的过程中,雷达装置在移动。但以雷达装置为参考,包含于地面的目标相对于雷达装置在移动。即这些目标与雷达装置之间有相对速度。由于目标相对于雷达装置在移动,因而存在多普勒效应。雷达装置可以在上述距离维FFT的基础上进行脉冲维时频分析。上述脉冲维时频分析可以表示按照雷达装置发射的多个线性调频脉冲的先后顺序,对发射这多个线性调频脉冲接收到的同一距离处的回波信号进行时频分析。当进行时频分析,雷达装置可以得到这多个线性调频脉冲的时频图。该时频图可指示线性调频脉冲的振幅频谱。其中,根据时频图中振幅峰值对应的角频率,计算装置可以计算目标的多普勒频率fd。具体的计算公式可以如下式(5)所示:
其中,ω为上述振幅频谱图中振幅峰值位置对应的角频率,Tc为脉冲重复周期。
根据上述多普勒频率fd,计算装置可以计算目标与雷达装置的相对速度vr。具体的计算公式可以如下式(6)所示:
其中,λ为线性调频脉冲的波长,目标与雷达装置的相对速度vr为一个矢量,v可以表示目标与雷达装置之间相对速度的大小,α可以表示目标移动方向与雷达装置之间的夹角,即α可以指示目标与雷达装置之间相对速度的方向。上述相对速度的方向可以指示目标与雷达装置之间的方向信息。
这样,雷达装置就可以利用脉冲维时频分析计算目标与雷达装置之间的相对速度。另外,由于雷达装置可以在距离维FFT的基础上进行脉冲维时频分析,那么时频图中可以包含有目标与雷达装置之间的距离信息和相对速度信息。
需要进行说明的是,由于目标与雷达装置之间相对速度的方向可以指示目标与雷达装置之间的方向信息,那么上述相对速度信息中可包含目标与雷达装置之间的相对速度大小信息以及方向信息。
这里对时频分析进行简单介绍。
时频分析提供了时间域和频率域的联合分布信息,可用于描述信号频率随时间变化的关系。时频分析的方法可包括短时傅里叶变换(short-time fouriertransform,STFT)、小波变换等。
下面以短时傅里叶变换来说明时频分析的方法。
STFT可以通过把一个函数和窗函数进行相乘,然后再进行一维的傅里叶变换,并通过窗函数的滑动得到一系列的傅里叶变换的结果,将这些结果排开便可得到一个二维的时频图。
相比于一维傅里叶变换可以分析出信号中的各个频率,时频分析可以分析出信号中的各个频率具体出现的时间。
4、卷积神经网络
本申请实施例可以利用训练好的卷积神经网络(convolutional neuronnetwork,CNN)处理上述时频图,实现对外骨骼机器人周边环境的地形的分类。
CNN是一种带有卷积结构的深度神经网络,是一种深度学习架构。深度学习是指通过机器学习的算法,在不同的抽象层级上进行多个层次的学习。作为一种深度学习架构,CNN是一种前馈人工神经网络,该前馈人工神经网络中的各个神经元对输入其中的图像中的重叠区域作出响应。
CNN中可包括卷积层、池化层以及全连接层。其中:
卷积层可以包括一个或多个卷积算子。该卷积算子的在图像处理中的作用相当于一个从输入图像中提取特定信息的过滤器。卷积算子本质上可以是一个权重矩阵。权重矩阵通常被预先定义,其中的权重值在实际应用中需要经过大量的训练得到。
池化层可用于减少需要训练的参数的数量。在图像处理的应用中,池化层可以通过最大化池化算子和/平均池化算子,来减小图像的尺寸。上述最大化池化算子可以在图像的特定范围内取该范围内最大的像素作为最大池化的结果。上述平均化池化算子可以将图像的特定范围内像素的平均值作为平均池化的结果。
全连接层可用于对输入的图像进行分类识别。全连接层中的每个单元都与相邻层中的每个单元建立连接关系。当经过卷积层和池化层,输入图像中比较高级的特征可以被提取出来。全连接层可以利用这些比较高级的特征,对输入图像进行分类识别。
雷达装置可以将时频图作为卷积神经网络的输入。时频图可以相当于一个二维图像。二维图像中可包含该图像的像素信息,而时频图中可包含线性调频脉冲的振幅频谱。该振幅频谱的峰值可以指示目标反射的回波信号的中频频率以及多普勒频率。也即是说,时频图中可以包含目标的距离信息和相对速度信息。当经过卷积神经网络中的卷积层、池化层以及全连接层,雷达装置可以确定在时频图中指示的线性调频脉冲对应的时间内,外骨骼机器人周边环境的地形是平地、上楼梯、下楼梯、上坡还是下坡。
下面介绍雷达装置进行地形识别的具体实现方式。
如图8所示,雷达装置对外骨骼机器人的周边环境的地形进行识别的方法包括步骤S101~S105。其中:
S101、雷达装置发射线性调频脉冲,并接收目标反射的回波信号。
在处于工作状态时,雷达装置可以向地面发射线性调频脉冲。其中,雷达装置切换工作状态和休眠状态的方式可以参考前述对外骨骼机器人在不同地形上行走的应用场景中的介绍,这里不再赘述。
在本申请实施例中,雷达装置发射的线性调频脉冲的初始频率可以为77GHz,带宽可以为4GHz。也即是说,雷达装置的距离分辨率可以为3.75厘米。本申请实施例对线性调频脉冲的初始频率可带宽不作限定。
发射线性调频脉冲之后,雷达装置可以接收到目标反射的线性调频脉冲,即回波信号。其中雷达装置发射一个脉冲(前述线性调频脉冲),可以接收到多个目标对这一个脉冲反射的回波信号。这多个目标与雷达装置之间的距离不同,那么雷达装置接收到这多个目标对上述一个脉冲反射的回波信号的时间也不相同。
S102、根据发射的线性调频脉冲和接收的回波信号,雷达装置进行距离维FFT,得到回波矩阵,回波矩阵用于指示目标与雷达装置之间的距离以及回波信号的幅度。
由雷达装置测距的原理可知,雷达装置可以对发射的一个脉冲以及接收到的对这一个脉冲反射的回波信号进行差频处理,得到中频信号。雷达装置对中频信号进行FFT,可以得到中频频率,进而计算反射这一个脉冲的多个目标与雷达装置之间的距离。
在本申请实施例中,雷达装置可以按帧对接收的回波信号进行处理。即雷达装置根据发射的脉冲以及反射该脉冲的目标与雷达装置之间的距离,可以确定如图9所示的回波矩阵。其中,一帧脉冲可以包含多个脉冲。图9所示的回波矩阵可以指示目标与雷达装置之间的距离以及该目标反射的回波信号的幅度。其中,回波信号的幅度越强可以表示反射该回波信号的目标包含于地面的可能性越大。反之,若回波信号的幅度越弱,反射该回波信号的目标为干扰目标的可能性越大。
具体的,图9所示的回波矩阵的大小可以为n*m。该回波矩阵的纵向可以为脉冲维,横向可以为距离维。上述n和m均为大于1的整数。
雷达装置可以根据发射的一帧脉冲来确定一个回波矩阵。其中,一帧脉冲可以包含n个脉冲。回波矩阵中的脉冲维可以按照雷达装置发射这n个脉冲的先后顺序排列。301这一行可以表示雷达装置发射第1个脉冲并接收到多个目标反射该第1个脉冲的回波信号。302这一行可以表示雷达装置发射第n个脉冲并接收到多个目标反射该第n个脉冲的回波信号。
由于雷达装置发射一个脉冲,可以接收到在不同距离处的多个目标反射这一个脉冲的回波信号,那么雷达装置可以将雷达装置的监测范围按照与雷达装置之间距离的远近划分为m份,得到m个距离单元。其中,一个距离单元可以表示离雷达装置一段距离的一个区域。当确定了目标与雷达装置之间的距离,雷达装置可以确定该目标处于哪一个距离单元中。也即是说,若确定了一个距离单元中存在目标,那么雷达装置可以接收到这一个距离单元中的目标反射的回波信号,进而确定来自于该距离单元的回波信号的幅度。图9所示的回波矩阵的距离维可以根据距离单元与雷达装置之间的距离从近到远排列。303这一列可以指示第1个距离单元,304这一列可以指示第m个距离单元。
由上述对图9所示的回波矩阵的脉冲维和距离维的说明可以知道,305可以表示雷达装置发射第1个脉冲,并接收到在第1个距离单元内的目标反射第1个脉冲的回波信号的幅度。306可以表示雷达装置发射第n个脉冲,并接收到在第1个距离单元内的目标反射第n个脉冲的回波信号的幅度。307可以表示雷达装置发射第1个脉冲,并接收到在第m个距离单元内的目标反射第1个脉冲的回波信号的幅度。图9所示的回波矩阵中其它行、其它列表示的内容可以以此类推。
需要进行说明的是,回波信号的幅度的强弱可以用图9所示的颜色来体现。如图9所示,回波矩阵中颜色为黑色以及灰色的距离单元可以表示雷达装置进行距离维FFT后,根据目标与雷达装置之间的距离确定目标在这些距离单元内。也即是说,颜色为黑色以及灰色的距离单元内存在目标,但这些目标中包含干扰目标。颜色为白色的距离单元内不存在目标。其中,回波矩阵中为黑色的距离单元可以表示回波信号幅度很强的距离单元,这些距离单元中存在的目标包含于地面的可能性较大。回波矩阵中为灰色的距离单元可以表示回波信号幅度较弱的距离单元,这些距离单元中存在的目标为干扰目标的可能性较大。
在一种可能的实现方式中,由于雷达装置的距离分辨率可以为3.75厘米,雷达装置可以根据该距离分辨率来确定一个距离单元表示的区域的大小。例如,回波矩阵中第1个距离单元表示的区域可以为雷达装置的监测范围内与雷达装置之间的距离在0~3.75厘米所在的区域。回波矩阵中第2个距离单元表示的区域可以为雷达装置的监测范围内与雷达装置之间的距离在3.75~7.5厘米所在的区域。回波矩阵中第m个距离单元表示的区域可以为雷达装置的监测范围内与雷达装置之间的距离在3.75*(m-1)~3.75*m厘米所在的区域。本申请实施例对上述一个距离单元表示的区域的大小不作限定。
示例性的,一帧脉冲可以包含雷达装置连续发射的64个脉冲,雷达装置发射一帧脉冲的时间可以为50毫秒。雷达装置可以将监测范围划分为128个距离单元。这样,根据发射的每一帧脉冲以及接收到的回波信号,雷达装置可以进行距离维FFT来确定各目标与雷达装置之间的距离,进而得到如图10所示的回波矩阵,该回波矩阵的大小为64*128。该回波矩阵中各距离单元的颜色可用于指示来自于各距离单元的回波信号的幅度。
本申请实施例对雷达装置进行傅里叶变换的方式不作限定,除了可以为FFT,还可以为其它傅里叶变换的方式。
S103、雷达装置对回波矩阵进行恒虚警率检测,减少干扰目标对地形识别的影响。
回波矩阵可用于指示目标与雷达装置之间的距离,但这些目标中可以有包含于地面的目标以及干扰目标,这些干扰目标会影响雷达装置确定地面与雷达装置之间的距离信息,进而影响雷达装置对外骨骼机器人周围环境的地形识别。因此,雷达装置可以从这些目标中剔除干扰目标,减少干扰目标对地形识别的影响。
在本申请实施例中,雷达装置可以对回波矩阵进行恒虚警率检测。检测的方法可以参考恒虚警率检测的原理介绍。具体的,雷达装置可以利用OS-CFAR对发射的每一个脉冲在不同距离单元处接收到的回波信号进行检测。也即是说,雷达装置可以逐行将回波矩阵中的每一个距离单元作为检测单元201,利用OS-CFAR对每一个距离单元进行检测,从而判断来自于该距离单元的回波信号是否为由包含于地面的目标反射的回波信号。
在利用OS-CFAR对回波矩阵进行检测后,雷达装置可以得到如图11所示的经过恒虚警率检测的回波矩阵。在经过恒虚警率检测的回波矩阵中,颜色为黑色的距离单元可以表示存在目标的距离单元,且这些目标为包含于地面的目标。相比于图10所示的回波矩阵,图11所示的经过恒虚警率检测的回波矩阵减少了干扰目标。
这样,雷达装置可以确定包含于地面的目标与雷达装置之间的距离,从而确定了地面与雷达装置之间的距离信息,提高了雷达装置对外骨骼机器人周边环境进行地形识别的准确率。
S104、雷达装置对经过恒虚警率检测的回波矩阵进行脉冲维时频分析,得到时频图,时频图可以包含地面与雷达装置之间的距离信息和相对速度信息。
在本申请实施例中,雷达装置可以利用短时傅里叶变换的方法进行时频分析。由时频分析的原理可知,雷达装置可以根据预先设定的窗长度,从经过恒虚警率检测的回波矩阵的脉冲维上截取一段时间内的回波信号,并对这一段时间内来自于不同距离单元的回波信号分别进行FFT。即雷达装置对经过恒虚警率检测的回波矩阵进行脉冲维时频分析。
进行脉冲维时频分析后,雷达装置可以得到时频图。该时频图中可包含线性调频脉冲的振幅频谱。由于经过恒虚警率检测的回波矩阵是经历过距离维FFT的,那么经过恒虚警率检测的回波矩阵在经过脉冲维时频分析之后,时频图中的线性调频脉冲的振幅频谱可以指示目标反射的回波信号的中频频率以及多普勒频率。上述中频频率可用于计算目标与雷达装置之间的距离。上述多普勒频率可用于计算目标与雷达装置之间的相对速度。也即是说,时频图中可以包含目标与雷达装置之间的距离信息和相对速度信息。由于这些目标包含于地面,那么时频图可以包含地面与雷达装置之间的距离信息和相对速度信息。
示例性的,雷达装置可以对根据连续发射的两帧脉冲接收到的回波信号进行时频分析。也即是说,雷达装置可以对两个连续的回波矩阵进行脉冲维时频分析。具体的,窗长度可以为8个脉冲。对于第1个距离单元,雷达装置可以截取连续发射的8个脉冲对应的第1个距离单元进行FFT。另外,雷达装置根据窗长度截取脉冲时,可以具有重叠的采样点。该重叠的采样点数可以为4。例如,雷达装置可以截取第1个脉冲至第8个脉冲对应的第1个距离单元进行FFT,然后,雷达装置可以截取第5个脉冲至第12个脉冲对应的第1个距离单元进行FFT。即雷达装置在前后两次截取的脉冲中,有4个脉冲是相同的。这样,雷达装置可以将两帧脉冲,即128个脉冲,划分为31个时间段。进一步,雷达装置可以补零到第32个时间段。对于每一个时间段,雷达装置可以进行32点FFT。那么对于两帧脉冲对应的第1个距离单元,雷达装置可以得到1个大小为32*32的二维的时频图。同样的,对于第2个距离单元,第3个距离单元,……,第128个距离单元,雷达装置均可以得到大小为32*32的时频图。
由于雷达装置发射脉冲进行地形识别时,地面与雷达装置之间的距离可以在0~0.3米的范围内。即雷达接收到的由地面的目标反射回来的回波信号的范围可以为0~0.3米。雷达装置可以不用根据每一个距离单元都进行时频分析来得到时频图。例如,若雷达装置发射的脉冲的带宽为4GHz,那么雷达装置的距离分辨率为3.75厘米。根据主要的回波信号的范围以及雷达装置的距离分辨率可以计算得到,在0.3米的范围内有8个距离单元。也即是说,雷达装置可以利用第1个距离单元至第8个距离单元对应的8个大小为32*32的时频图,来判断在雷达装置发射这两帧脉冲的时间内,外骨骼机器人周边环境的地形。
本申请实施例对上述窗长度、重叠的采样点数的具体数值不作限定。
上述时频图的维度可以由雷达装置在进行一次地形识别时选取的时间长度(即雷达装置发射的脉冲的个数)、进行FFT的点数确定。本申请实施例对上述雷达装置在进行一次地形识别时选取的时间长度以及进行FFT的点数不作限定。也即是说,时频图的维度不限于是32*32,还可以为其它。
本申请实施例对时频分析的方法不作限定,除了短时傅里叶变换的方法,还可以为小波变换等方法。
S105、雷达装置利用训练好的神经网络处理时频图,对外骨骼机器人的周边环境的地形进行识别。
雷达装置在外骨骼机器人在不同地形上行走时得到的时频图中可包含不同地形的地面与雷达装置之间的距离信息和相对速度信息。而由外骨骼机器人在不同地形上行走的应用场景的分析可知,不同地形的地面与雷达装置之间的距离信息和相对速度信息是不同的。这样,雷达装置就可以利用训练好的神经网络,来处理雷达装置在外骨骼机器人在不同地形上行走时得到的时频图,从而识别在该时频图中指示的线性调频脉冲对应的时间内,外骨骼机器人周边环境的地形是平地、上楼梯、下楼梯、上坡还是下坡。
在本申请实施例中,用于对外骨骼机器人的周边环境的地形进行识别的神经网络可以为卷积神经网络。
雷达装置可以利用外骨骼机器人在不同地形上行走时接收到的回波信号对卷积神经网络进行训练。具体的,当外骨骼机器人在平地上行走时,雷达装置可以发射脉冲,并接收目标反射的回波信号。然后按照前述步骤S102~S104得到时频图。其中,雷达装置根据连续发射的每两帧脉冲可以得到8个大小为32*32的时频图。这些时频图可以作为卷积神经网络的输入,用于训练卷积神经网络。雷达装置可以给这些时频图打上标签。例如,标签的值为1,可以指示外骨骼机器人周边环境的地形为平地。上述标签可以为卷积神经网络的期望输出。即当用于训练卷积神经网络的时频图是根据雷达装置在外骨骼机器人在平地上行走时接收到的回波信号得到的,雷达装置可以通过反向传播算法调整卷积神经网络中的各项参数,使得卷积神经网络的输出与期望输出接近,即与标签的值1接近。
上述时频图的标签的值为2、3、4、5可以分别指示外骨骼机器人周边环境的地形为上楼梯、下楼梯、上坡、下坡。本申请实施例对时频图的标签不作限定。
上述卷积神经网络训练的具体过程可以参考现有技术中训练卷积神经网络的实现方式,这里不做赘述。
训练好的卷积神经网络可用于对外骨骼机器人的周边环境的地形进行识别。在一种可能的实现方式中,当将两帧脉冲对应的8个的时频图分别输入训练好的卷积神经网络,雷达装置可以分别得到8个输出结果。雷达装置在判断发射这两帧脉冲的时间内,外骨骼机器人周边环境的地形时,可以使用6/8准则。即,上述8个输出结果中,若有大于或等于6个输出结果是相同的,则雷达装置可以根据这大于或等于6个的输出结果判断外骨骼机器人周边环境的地形。例如上述8个输出结果中有6个输出结果均为1,另外两个输出结果不为1,而值为1的标签可以指示外骨骼机器人周边环境的地形为平地,那么雷达装置可以判断在发射这两帧脉冲的时间内,外骨骼机器人周边环境的地形为平地。
在上述8个输出结果中,若没有大于或等于6个输出结果是相同,雷达装置可以根据输出结果中相同的输出结果最多的输出结果来判断地形。例如,上述8个输出结果中,有4个输出结果为1,另外4个输出结果中有两个为2,两个为3,那么雷达装置可以判断在发射这两帧脉冲的时间内,外骨骼机器人周边环境的地形为平地。
由于两帧脉冲对应的8个时频图均用于判断在发射这两帧脉冲的时间内,外骨骼机器人周边环境的地形,那么当这8个时频图作为训练好的卷积神经网络的输入时,雷达装置得到的8个输出结果应该是基本一致的。若在利用卷积神经网络进行地形识别的过程中,多次出现在上述8个结果中,没有大于或等于6个输出结果是相同的情况,雷达装置可以认为该卷积神经网络是未训练好的,并重新对该卷积神经网络进行训练。
本申请实施例对卷积神经网络的内部结构不作具体限定。
不限于卷积神经网络,雷达装置还可以利用其他类型的神经网络来处理时频图,进行地形识别。
在一些实施例中,雷达装置利用训练好的卷积神经网络来识别外骨骼机器人的周边环境的地形时,可以使用n1/n2准则。其中,n1和n2均为正整数,且n1<n2。
示例性的,雷达装置发射的脉冲的带宽为4GHz。雷达装置的距离分辨率为3.75厘米。雷达装置接收到的主要的回波信号的范围可以为0~0.45米。雷达装置可以取与雷达装置之间的距离在0~0.45米的范围内接收到的回波信号,来进行地形识别。则在0.45米的范围内包含有12个距离单元。即n2可以为12。n1为小于n2的正整数,例如10。雷达装置可以对包含有两帧脉冲(即128个脉冲)的回波矩阵进行脉冲维时频分析,利用第1个距离单元至第12个距离单元对应的12个大小为32*32的时频图,来判断在雷达装置发射这两帧脉冲的时间内,外骨骼机器人周边环境的地形。其中,利用训练好的卷积神经网络进行地形识别的准则可以为10/12准则。具体的,上述12个时频图可以分别作为训练好的卷积神经网络的输入。若卷积神经网络输出的12个结果中有大于或等于10个的输出结果是相同的,雷达装置可以根据这大于或等于10个的输出结果判断外骨骼机器人周边环境的地形。例如,上述12个输出结果中有10个指示输出结果均为1,另外两个输出结果不为1,而值为1的标签可以指示外骨骼机器人周边环境的地形为平地,那么雷达装置可以判断在发射这两帧脉冲的时间内,外骨骼机器人周边环境的地形为平地。
或者,雷达装置发射的脉冲的带宽不限于是4GHz,例如可以是5GHz。雷达装置的距离分辨率为3厘米。雷达装置接收到的主要的回波信号的范围可以为0~0.3米。雷达装置可以取与雷达装置之间的距离在0~0.3米的范围内接收到的回波信号,来进行地形识别。则在0.3米的范围内包含有10个距离单元。即n2可以为10。n1为小于n2的正整数,例如8。雷达装置可以对包含有两帧脉冲(即128个脉冲)的回波矩阵进行脉冲维时频分析,利用第1个距离单元至第10个距离单元对应的10个大小为32*32的时频图,来判断在雷达装置发射这两帧脉冲的时间内,外骨骼机器人周边环境的地形。其中,利用训练好的卷积神经网络进行地形识别的准则可以为8/10准则。具体的,上述10个时频图可以分别作为训练好的卷积神经网络的输入。若卷积神经网络输出的10个结果中有大于或等于8个的输出结果是相同的,雷达装置可以根据这大于或等于8个的输出结果判断外骨骼机器人周边环境的地形。例如,上述10个输出结果中有8个指示输出结果均为1,另外两个输出结果不为1,而值为1的标签可以指示外骨骼机器人周边环境的地形为平地,那么雷达装置可以判断在发射这两帧脉冲的时间内,外骨骼机器人周边环境的地形为平地。
本申请实施例对雷达装置选取的接收到的主要的回波信号的范围不作限定。
本申请实施例对雷达装置发射的毫米波雷达信号的带宽不作限定。
在本申请实施例中,雷达装置安装在机器人的第一脚部,该第一脚部可以是前述机器人摆动腿的脚部。其中,雷达装置可以安装在第一脚部的脚掌上,也可以安装在第一脚部的脚踝处。本申请实施例对雷达装置安装的具***置不作限定。
在本申请实施例中,安装在第一脚部的雷达装置可以在第一脚部抬离地面并远离第二脚部移动至该第一脚部落地这一过程的持续时长内,向地面先后发射K次毫米波雷达信号。上述第二脚部可以是前述机器人支撑腿的脚部。
在本申请实施例中,雷达装置可以对发射K次毫米波雷达信号接收到的K次回波信号进行脉冲维时频分析,得到n2个时频图。其中,n2可以由雷达装置的距离分辨率和雷达装置接收这K次回波信号的第一距离范围确定。上述第一距离范围可以为在机器人行动过程中,地面与雷达装置之间的距离范围。例如,0~0.3米的范围内、0~0.45米的范围内。
在本申请实施例中,第i次回波信号还包含干扰物的目标反射回来的回波信号。上述由干扰物的目标反射回来的回波信号可以为前述实施例中所提及的干扰信号。这些干扰信号可能是线性调频脉冲在传播过程中的多径效应产生的。
由上述实现方式可以看出,在外骨骼机器人行走的过程中,雷达装置可通过发射毫米波雷达信号来计算地面与雷达装置之间的距离信息和相对速度信息,从而实现地形识别。并且,上述地面与雷达装置之间的距离信息和相对速度信息可用于辅助外骨骼机器人计算其摆动腿的触地点和触地时间,这样有利于外骨骼机器人对其摆动腿和支撑腿弯曲的角度等结果进行调整,提高行走的稳定性。另外,由于毫米波雷达信号本身不受光线强度、雨雾霾等环境的影响,当环境中光线强度不足时,雷达装置进行地形识别的正确率并不会下降,从而有利于提高外骨骼机器人行走的稳定性。
尽管在此结合各实施例对本申请进行了描述,然而,在实施所要求保护的本申请过程中,本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书,可理解并实现所述公开实施例的其他变化。在权利要求中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
本领域技术人员应明白,本申请的实施例可提供为方法、装置(设备)、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机程序存储/分布在合适的介质中,与其它硬件一起提供或作为硬件的一部分,也可以采用其他分布形式,如通过Internet或其它有线或无线电信***。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (9)
1.一种机器人地形识别方法,其特征在于,所述方法应用于雷达装置,所述雷达装置安装在机器人的第一脚部,所述方法包括:
所述雷达装置向第一地面先后发射K次毫米波雷达信号,并先后接收到K次回波信号;所述K为正整数;
所述雷达装置根据所述K次回波信号确定发射K次毫米波雷达信号时所述第一地面与所述雷达装置之间的距离信息和相对速度信息;其中,所述K次回波信号中的第i次回波信号用于确定发射第i次毫米波雷达信号时所述第一地面与所述雷达装置之间的距离信息、相对速度信息;所述第i次回波信号对应所述第i次毫米波雷达信号;所述第i次回波信号包括所述第一地面的H个目标反射回来的H个回波信号,所述H个回波信号中的第j个回波信号用于确定第j个目标与所述雷达装置之间的距离信息、相对速度信息;所述发射第i次毫米波雷达信号时所述第一地面与所述雷达装置之间的距离信息包括所述H个目标与所述雷达装置之间的距离信息;所述发射第i次毫米波雷达信号时所述第一地面与所述雷达装置之间相对速度信息包括所述H个目标与所述雷达装置之间的相对速度信息;所述i为小于或等于K的正整数,所述H为正整数,所述j为小于或等于H的正整数;
所述雷达装置根据发射K次毫米波雷达信号时所述第一地面与所述雷达装置之间的距离信息和相对速度信息,确定所述第一地面的地形。
2.根据权利要求1所述的方法,其特征在于,所述雷达装置向第一地面先后发射K次毫米波雷达信号,并先后接收到K次回波信号,具体包括:
所述雷达装置在第一时间段内向所述第一地面先后发射K次毫米波雷达信号,并先后接收到K次回波信号;所述第一时间段为所述第一脚部抬离所述第一地面并远离第二脚部移动至所述第一脚部落地这一过程的持续时长;所述机器人还包括所述第二脚部。
3.根据权利要求2所述的方法,其特征在于,还包括:
当所述雷达装置确定所述雷达装置所安装于的第一脚部为所述机器人的支撑腿的脚部时,所述雷达装置停止发射所述毫米波雷达信号。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述雷达装置根据发射K次毫米波雷达信号时所述第一地面与所述雷达装置之间的距离信息和相对速度信息,确定所述第一地面的地形,包括:
所述雷达装置利用神经网络,根据所述发射K次毫米波雷达信号时所述第一地面与所述雷达装置之间的距离信息和相对速度信息,确定所述第一地面的地形;所述神经网络是经过训练集训练得到的,所述训练集包括所述机器人在不同地形上行走时,所述雷达装置获取的所述不同地形的地面与所述雷达装置之间的距离信息和相对速度信息;所述不同地形包括以下两项或两个以上项:平地、上楼梯、下楼梯、上坡、下坡。
5.根据权利要求4所述的方法,其特征在于,所述第i次回波信号还包含干扰物的目标反射回来的回波信号;所述雷达装置根据所述K次回波信号确定发射K次毫米波雷达信号时所述第一地面与所述雷达装置之间的距离信息和相对速度信息之前,所述方法还包括:
所述雷达装置对所述第i次回波信号中的多个回波信号进行恒虚警率检测,并筛选出所述第一地面的目标;所述恒虚警率检测用于判断所述多个回波信号是否为所述第一地面的目标反射回来的回波信号。
6.根据权利要求5所述的方法,其特征在于,所述雷达装置根据所述K次回波信号确定发射K次毫米波雷达信号时所述第一地面与所述雷达装置之间的距离信息和相对速度信息,包括:
所述雷达装置对所述K次回波信号进行脉冲维时频分析,得到n2个时频图;
所述脉冲维时频分析为按照所述雷达装置发射K次毫米波雷达信号的先后顺序,对发射所述K次毫米波雷达信号接收到的同一距离处的回波信号进行时频分析;所述时频图用于指示所述雷达装置发射K次毫米波雷达信号时所述第一地面与所述雷达装置之间的距离信息和相对速度信息;所述时频图的个数n2为正整数,由所述雷达装置的距离分辨率和所述雷达装置接收所述K次回波信号的第一距离范围确定。
7.根据权利要求6所述的方法,其特征在于,所述雷达装置根据发射K次毫米波雷达信号时所述第一地面与所述雷达装置之间的距离信息和相对速度信息,确定所述第一地面的地形,包括:
所述雷达装置将所述n2个时频图分别作为所述神经网络的输入,得到所述神经网络的n2个输出;
当所述n2个输出中有大于或等于n1个输出相同,所述雷达装置确定相同的所述n1个输出为所述第一地面的地形;
其中,n1为小于n2的正整数。
8.一种雷达装置,其特征在于,包括:
相互耦合的发射器、接收器、存储器和处理器;
所述发射器,用于发射毫米波雷达信号;
所述接收器,用于接收反射回来的回波信号;
所述存储器,用于存储计算机程序指令;
所述处理器,用于执行所述计算机程序指令,使得所述雷达装置实现如权利要求1-7中任一项所述的方法。
9.一种计算机可读存储介质,包括指令,其特征在于,当所述指令在雷达装置上运行,所述雷达装置执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010680395.XA CN111948644B (zh) | 2020-07-15 | 2020-07-15 | 基于毫米波雷达的机器人地形识别方法及雷达装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010680395.XA CN111948644B (zh) | 2020-07-15 | 2020-07-15 | 基于毫米波雷达的机器人地形识别方法及雷达装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111948644A true CN111948644A (zh) | 2020-11-17 |
CN111948644B CN111948644B (zh) | 2021-04-09 |
Family
ID=73341710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010680395.XA Active CN111948644B (zh) | 2020-07-15 | 2020-07-15 | 基于毫米波雷达的机器人地形识别方法及雷达装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111948644B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114712175A (zh) * | 2022-02-28 | 2022-07-08 | 郑州大学 | 一种用于脑卒中患者的行走辅助装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4665401A (en) * | 1980-10-10 | 1987-05-12 | Sperry Corporation | Millimeter wave length guidance system |
WO2000054076A1 (en) * | 1999-03-08 | 2000-09-14 | Her Majesty The Queen In Right Of Canada As Represented By The Minister Of National Defence | Articulated robotic scanner |
CN104950313A (zh) * | 2015-06-11 | 2015-09-30 | 同济大学 | 一种路面提取及道路坡度识别方法 |
CN107127760A (zh) * | 2017-07-12 | 2017-09-05 | 清华大学 | 一种足履复合式人形机器人 |
CN206998943U (zh) * | 2017-08-08 | 2018-02-13 | 合肥艾美智能交通科技有限公司 | 一种智能管家机器人 |
CN207757631U (zh) * | 2017-12-29 | 2018-08-24 | 深圳市艾特智能科技有限公司 | 机器人*** |
CN207867031U (zh) * | 2018-03-07 | 2018-09-14 | 湖南纳雷科技有限公司 | 用于植保无人机地形跟随的雷达传感器、地形跟随*** |
CN207953866U (zh) * | 2017-12-20 | 2018-10-12 | 广东高乐玩具股份有限公司 | 一种智能服务机器人 |
US10215852B1 (en) * | 2015-10-05 | 2019-02-26 | Google Llc | Robotic radar assistance |
CN109581390A (zh) * | 2018-11-27 | 2019-04-05 | 北京纵目安驰智能科技有限公司 | 基于超声波雷达的地形检测方法、***、终端和存储介质 |
KR20190090220A (ko) * | 2018-01-24 | 2019-08-01 | 한화에어로스페이스 주식회사 | 라이다 장치 |
CN110116768A (zh) * | 2019-04-30 | 2019-08-13 | 厦门大学 | 由前后牵引与上下滚动实现步态控制的四足机器人 |
CN110596740A (zh) * | 2019-09-29 | 2019-12-20 | 中国矿业大学(北京) | 一种适用于地质勘查的快速定位方法 |
CN110605724A (zh) * | 2019-07-01 | 2019-12-24 | 青岛联合创智科技有限公司 | 一种智能养老陪伴机器人 |
CN110936346A (zh) * | 2019-12-24 | 2020-03-31 | 西北工业大学 | 一种可收折四轮腿式越障机器人 |
-
2020
- 2020-07-15 CN CN202010680395.XA patent/CN111948644B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4665401A (en) * | 1980-10-10 | 1987-05-12 | Sperry Corporation | Millimeter wave length guidance system |
WO2000054076A1 (en) * | 1999-03-08 | 2000-09-14 | Her Majesty The Queen In Right Of Canada As Represented By The Minister Of National Defence | Articulated robotic scanner |
CN104950313A (zh) * | 2015-06-11 | 2015-09-30 | 同济大学 | 一种路面提取及道路坡度识别方法 |
US10215852B1 (en) * | 2015-10-05 | 2019-02-26 | Google Llc | Robotic radar assistance |
CN107127760A (zh) * | 2017-07-12 | 2017-09-05 | 清华大学 | 一种足履复合式人形机器人 |
CN206998943U (zh) * | 2017-08-08 | 2018-02-13 | 合肥艾美智能交通科技有限公司 | 一种智能管家机器人 |
CN207953866U (zh) * | 2017-12-20 | 2018-10-12 | 广东高乐玩具股份有限公司 | 一种智能服务机器人 |
CN207757631U (zh) * | 2017-12-29 | 2018-08-24 | 深圳市艾特智能科技有限公司 | 机器人*** |
KR20190090220A (ko) * | 2018-01-24 | 2019-08-01 | 한화에어로스페이스 주식회사 | 라이다 장치 |
CN207867031U (zh) * | 2018-03-07 | 2018-09-14 | 湖南纳雷科技有限公司 | 用于植保无人机地形跟随的雷达传感器、地形跟随*** |
CN109581390A (zh) * | 2018-11-27 | 2019-04-05 | 北京纵目安驰智能科技有限公司 | 基于超声波雷达的地形检测方法、***、终端和存储介质 |
CN110116768A (zh) * | 2019-04-30 | 2019-08-13 | 厦门大学 | 由前后牵引与上下滚动实现步态控制的四足机器人 |
CN110605724A (zh) * | 2019-07-01 | 2019-12-24 | 青岛联合创智科技有限公司 | 一种智能养老陪伴机器人 |
CN110596740A (zh) * | 2019-09-29 | 2019-12-20 | 中国矿业大学(北京) | 一种适用于地质勘查的快速定位方法 |
CN110936346A (zh) * | 2019-12-24 | 2020-03-31 | 西北工业大学 | 一种可收折四轮腿式越障机器人 |
Non-Patent Citations (2)
Title |
---|
张燕等: ""基于激光距离传感器的路况识别***的设计"", 《激光与红外》 * |
肖瑞: ""两栖球形机器人场景识别及运动控制研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114712175A (zh) * | 2022-02-28 | 2022-07-08 | 郑州大学 | 一种用于脑卒中患者的行走辅助装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111948644B (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109031287B (zh) | 基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法 | |
CN111476058B (zh) | 一种基于毫米波雷达的手势识别方法 | |
US8502731B2 (en) | System and method for moving target detection | |
CN109948532A (zh) | 基于深度卷积神经网络的超宽带雷达人体动作识别方法 | |
CN111948644B (zh) | 基于毫米波雷达的机器人地形识别方法及雷达装置 | |
CN109270501B (zh) | 一种用于全固态vts雷达的海杂波抑制方法 | |
CN112130118B (zh) | 基于snn的超宽带雷达信号处理***及处理方法 | |
CN109031277A (zh) | 一种穿墙雷达多目标图像域稳健跟踪方法 | |
CN109766851A (zh) | 障碍物的确定方法及装置、倒车成像设备 | |
CN109543572A (zh) | 一种行驶路况评价方法 | |
CN110146881A (zh) | 一种基于改进全变差的扫描雷达超分辨成像方法 | |
Janakaraj et al. | STAR: Simultaneous tracking and recognition through millimeter waves and deep learning | |
CN101893711B (zh) | 基于智能体群体演化的海洋分布目标检测方法 | |
CN113866755A (zh) | 基于多伯努利滤波的雷达微弱起伏目标检测前跟踪算法 | |
CN112147584A (zh) | 一种基于非均匀杂波的mimo雷达扩展目标检测方法 | |
CN116068513A (zh) | 数据前处理方法与运动生理感测雷达 | |
CN116561700A (zh) | 基于毫米波雷达的室内人体姿态识别方法 | |
KR102552817B1 (ko) | 인공지능 기술을 적용한 친환경 조류접근 제어시스템 | |
CN113093174B (zh) | 基于phd滤波雷达起伏微弱多目标的检测前跟踪方法 | |
CN112801065B (zh) | 一种基于时空多特征信息的被动声纳目标探测方法及装置 | |
CN114879690A (zh) | 场景参数调整方法、装置、电子设备及存储介质 | |
TWI809241B (zh) | 生命體檢測的雷達偵測系統、生命體判斷方法及特徵資料庫建立方法 | |
CN116453227B (zh) | 一种基于双毫米波雷达的船舶环境下步态识别方法 | |
CN108646235A (zh) | 基于点迹位置聚合识别空间散布固定杂波的方法 | |
CN105629227B (zh) | 基于连续小波变换的隔墙人体运动检测方法 |
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 |