CN117697769B - 一种基于深度学习的机器人控制***和方法 - Google Patents
一种基于深度学习的机器人控制***和方法 Download PDFInfo
- Publication number
- CN117697769B CN117697769B CN202410168990.3A CN202410168990A CN117697769B CN 117697769 B CN117697769 B CN 117697769B CN 202410168990 A CN202410168990 A CN 202410168990A CN 117697769 B CN117697769 B CN 117697769B
- Authority
- CN
- China
- Prior art keywords
- robot
- data
- module
- neural network
- error
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000013480 data collection Methods 0.000 claims abstract description 30
- 230000003993 interaction Effects 0.000 claims abstract description 30
- 238000013461 design Methods 0.000 claims abstract description 28
- 230000000875 corresponding effect Effects 0.000 claims abstract description 20
- 230000003044 adaptive effect Effects 0.000 claims abstract description 9
- 230000000007 visual effect Effects 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 230000008094 contradictory effect Effects 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000003058 natural language processing Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Manipulator (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于深度学习的机器人控制***和方法,涉及数据处理技术领域,包括设置在机器人上的中央处理器,基于中央处理器建立有:数据收集模块,用于从环境中获取机器人与环境交互的数据;数据预处理模块,用于对收集到的数据进行预处理;深度神经网络设计模块,用于设计适用于机器人使用环境的神经网络结构;训练模块,基于设计的神经网络结构,结合预处理后的数据训练机器人调整网络参数以最小化预测误差;决策***建立模块,基于训练好的深度神经网络构建机器人的决策***,使机器人能够根据网络的预测结果做出相应的动作决策。通过机器人进行自主深度学习,机器人可以从环境中获取信息,理解环境的变化,做出适应性的决策。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于深度学习的机器人控制***和方法。
背景技术
机器人是自动执行工作的机器装置,它既可以接受人类指挥,又可以运行预先编排的程序,也可以根据以人工智能技术制定的原则纲领行动,它的任务是协助或取代人类的工作,是高级整合控制论、机械电子、计算机、材料和仿生学的产物,在工业、医学、农业、服务业、建筑业甚至军事等领域中均有重要用途。随着人们对机器人技术智能化本质认识的加深,机器人技术开始源源不断地向人类活动的各个领域渗透,结合这些领域的应用特点,人们发展了各式各样的具有感知、决策、行动和交互能力的特种机器人和各种智能机器人。
经检索,现有技术中,公开号为CN201910076580.5的发明公开了一种基于深度学***稳且安全的运行。
然而,不难发现,包括上述技术方案在内的传统的机器人控制***往往受限于预设规则和有限的反应模式,其只能针对固定的场景实行学习,当场景变换时,需要重新对机器人进行学习规则设置,其适用性差,无法根据场景变化进行规制自适应学习改变,为此,本申请提出一种基于深度学习的机器人控制***和方法。
发明内容
本发明所要解决的技术问题是现有的机器人无法根据场景变化进行规制自适应改变,使用场景局限,目的在于提供一种基于深度学习的机器人控制***和方法,通过从环境中获取机器人与环境交互的数据,并且对收集到的数据进行归一化、去噪和特的征提取,结合处理后的数据,设计出适用于机器人使用环境的神经网络结构,通过训练机器人调整网络参数以最小化预测误差,基于训练好的深度神经网络构建机器人的决策***,使机器人能够根据网络的预测结果做出相应的动作决策,通过深度学习方法使得机器人可以从大量数据中学习并识别复杂的模式,通过深度学习,机器人可以从环境中获取信息,理解环境的变化,做出适应性的决策。
本发明通过下述技术方案实现:
本发明第一方面提供一种基于深度学习的机器人控制***,包括设置在机器人上的中央处理器,基于中央处理器建立有:
数据收集模块,用于获取机器人与环境交互的数据;
数据预处理模块,用于对收集的数据进行预处理;
深度神经网络设计模块,用于根据机器人使用环境构建深度神经网络结构;
训练模块,基于深度神经网络结构,结合预处理后的数据训练机器人,调整网络参数得到最小预测误差;
决策***建立模块,基于训练好的深度神经网络构建机器人的决策***,用于使机器人能够根据网络的预测结果做出相应的动作决策。
本发明通过从环境中获取机器人与环境交互的数据,并且对收集到的数据进行归一化、去噪和特的征提取,结合处理后的数据,设计出适用于机器人使用环境的神经网络结构,通过训练机器人调整网络参数以最小化预测误差,基于训练好的深度神经网络构建机器人的决策***,使机器人能够根据网络的预测结果做出相应的动作决策,通过深度学习方法使得机器人可以从大量数据中学习并识别复杂的模式,通过深度学习,机器人可以从环境中获取信息,理解环境的变化,做出适应性的决策。
进一步的,基于中央处理器还建立有:
网络模块,用于机器人的网络连接;
报警模块,用于机器人故障时的报警提示;
人机交互模块,用于实现人机交互,人为操控机器人做出适应性动作决策。
进一步的,所述数据收集模块包括用于数据采集的数据采集单元以及用于数据存储的数据存储单元;
所述数据采集单元至少包括:
电信号数据采集,基于网络收集获取机器人所处环境数据,用于建立机器人网络控制***;
力学数据采集,基于力学传感器收集获取机器人所处环境中的力学特征数据,用于建立机器人运行***;
声音数据采集,基于声音传感器收集获取机器人所处环境中的语音特征,用于建立机器人语音交互***;
视觉数据采集,基于视觉传感器收集获取机器人所处环境中的视觉特征,用于建立机器人视觉***。
进一步的,所述数据预处理模块预处理具体包括:对收集到的数据进行归一化、去噪和特征提取;
具体预处理过程包括但不限于图像数据处理、信号处理和特征提取。
进一步的,所述数据预处理模块采用并行计算和分布式计算。
进一步的,所述数据收集模块基于网络模块云平台与机器人进行数据交换和共享。
进一步的,所述深度神经网络设计模块包括卷积神经网络和循环神经网络深度学习模型,
卷积神经网络用于处理视觉数据,通过卷积和池化操作提取图像的特征,强化机器人目标检测和图像分类性能;
循环神经网络用于处理时间序列数据,强化语音识别和自然语言处理性能。
进一步的,所述训练模块至少包括:
指令匹配训练,中央处理器接收到单一指令,结合数据收集模块和数据预处理模块采集处理后的机器人周围环境数据,基于决策***建立模块机器人,模块机器人根据决策做出相应的决策,与中央处理器接收到的指令相匹配,若指令与决策的误差在设定阈值内,持续获取数据,基于深度神经网络设计模块优化网络参数,获得最小指令匹配误差;
运动控制训练,发送运动指令,结合数据收集模块和数据预处理模块采集处理后的机器人周围环境数据,基于决策***建立模块机器人,模块机器人根据决策做出相应的动作,与发送的运动目标匹配,若运动目标与机器人动作误差在设定阈值内,持续获取数据,基于深度神经网络设计模块优化网络参数,获得最小运动误差,其中运动误差包括运动速度误差、运动角度误差、运动力度误差;
导航避障训练,发送避障指令,结合数据收集模块和数据预处理模块采集处理后的机器人周围环境数据,基于决策***建立模块机器人,模块机器人根据决策进行避障,与发送的避障目标匹配,若避障目标匹与机器人避障动作的误差在设定阈值内,持续获取数据,基于深度神经网络设计模块优化网络参数,获得最小避障误差;
反馈训练,发送反馈指令,结合数据收集模块和数据预处理模块采集处理后的机器人周围环境数据,进行视觉、听觉与网络***的反馈,若反馈数据与实际数据的误差在设定阈值内,持续获取数据,基于深度神经网络设计模块优化网络参数,获得最小反馈误差。
进一步的,所述人机交互模块为基于中央处理器设置的控制器,控制器包括:
用户登录界面,用于管理者进行用户登录,获取机器人控制权限;
防火墙,用于建立机器人网络安全防线,保障机器人控制***安全;
人机交互界面,用于为登录用户提供机器人控制操作界面;
后台监管***,用于建立机器人的后台监管,防止机器人自主学习抵触控制。
本发明第二方面提供一种基于深度学习的机器人控制方法,包括以下具体步骤:
获取机器人与环境交互的数据;
对收集的数据进行预处理;
根据机器人使用环境构建深度神经网络结构;
基于深度神经网络结构,结合预处理后的数据训练机器人,调整网络参数得到最小预测误差;
基于训练好的深度神经网络构建机器人的决策***,使机器人能够根据网络的预测结果做出相应的动作决策。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明通过基于中央处理器建立的数据收集模块、数据预处理模块、深度神经网络设计模块、训练模块、决策***建立模块,能够从环境中获取机器人与环境交互的数据;
本发明在数据采集过程中,通过设置电信号数据采集、力学数据采集、声音数据采集、视觉数据采集,能够分别对应获取机器人所处环境数据,包括网络信号的强弱、接收到的指令、机器人所处环境中的力学特征数据,包括所感知的重力、压力、机器人所处环境中的语音特征、机器人所处环境中的视觉特征,从而建立机器人网络控制***、机器人运行***、机器人语音交互***以及机器人视觉***,实现了对收集到的数据进行归一化、去噪和特的征提取,结合处理后的数据,设计出适用于机器人使用环境的神经网络结构,强化机器人深度学习;
本发明数据收集时通过基于网络模块云平台与机器人进行数据交换和共享,强化了机器人网络学习,此外,采用卷积神经网络和循环神经网络深度学习模型,并通过反向传播算法和梯度下降法训练方法来优化网络参数,其中深度神经网络设计模块还通过增量学习和迁移学习等方法,实现网络的持续学习和优化,通过卷积和池化操作提取图像的特征,强化机器人目标检测、图像分类性能;通过循环神经网络强化语音识别、自然语言处理性能,结合指令匹配训练、运动控制训练、导航避障训练、反馈训练训练过程,训练机器人调整网络参数以最小化预测误差,基于训练好的深度神经网络构建机器人的决策***,使机器人能够根据网络的预测结果做出相应的动作决策,通过深度学习方法使得机器人可以从大量数据中学习并识别复杂的模式,通过深度学习,机器人可以从环境中获取信息,理解环境的变化,做出适应性的决策;
本发明通过设置用户登录界面,并且设置防火墙、人机交互界面、后台监管***,能够建立机器人网络安全防线,保障机器人控制***安全,此外,还可建立机器人的后台监管,管理者进行用户登录后,具有绝对的机器人操作权限,防止机器人自主学习抵触控制,使得机器人的深度学习可控。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案,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发明的某些实施例,因此不应被看作是对范围的限定,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。在附图中:
图1为本实施例的结构框图;
图2为本实施例数据收集模块的结构框图;
图3为本实施例数据预处理模块的结构框图;
图4为本实施例深度神经网络设计模块的结构框图;
图5为本实施例训练模块的结构框图;
图6为本实施例人机交互模块的结构框图。
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明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
作为一种可能的实施例,如图1所示,本实施例第一方面提供一种基于深度学习的机器人控制***,应用于机器人,包括设置在机器人上的中央处理器,基于中央处理器建立有:
数据收集模块,用于获取机器人与环境交互的数据;
数据预处理模块,用于对收集到的数据进行归一化、去噪和特的征提取;
深度神经网络设计模块,用于设计适用于机器人使用环境的神经网络结构;
训练模块,基于设计的神经网络结构,结合预处理后的数据训练机器人调整网络参数以最小化预测误差;
决策***建立模块,基于训练好的深度神经网络构建机器人的决策***,使机器人能够根据网络的预测结果做出相应的动作决策。
网络模块,用于机器人的网络连接,包括基于5G的无线网络连接以及蓝牙连接;
报警模块,用于机器人故障时的报警提示;
人机交互模块,用于实现人机交互,人为操控机器人做出适应性动作决策。
本发明通过从环境中获取机器人与环境交互的数据,并且对收集到的数据进行归一化、去噪和特的征提取,结合处理后的数据,设计出适用于机器人使用环境的神经网络结构,通过训练机器人调整网络参数以最小化预测误差,基于训练好的深度神经网络构建机器人的决策***,使机器人能够根据网络的预测结果做出相应的动作决策,通过深度学习方法使得机器人可以从大量数据中学习并识别复杂的模式,通过深度学习,机器人可以从环境中获取信息,理解环境的变化,做出适应性的决策。
在一些可能的实施例中,如图2所示,数据收集模块包括用于数据采集的数据采集单元以及用于数据存储的数据存储单元;
数据采集单元至少包括:
电信号数据采集,基于网络收集获取机器人所处环境数据,包括网络信号的强弱、接收到的指令,用于建立机器人网络控制***;
力学数据采集,基于力学传感器收集获取机器人所处环境中的力学特征数据,包括所感知的重力、压力,用于建立机器人运行***;
声音数据采集,基于声音传感器收集获取机器人所处环境中的语音特征,用于建立机器人语音交互***;
视觉数据采集,基于视觉传感器收集获取机器人所处环境中的视觉特征,用于建立机器人视觉***。
在一些可能的实施例中,如图3所示,数据预处理模块进行归一化、去噪和特征的提取的过程中,采用适当的算法和技术,包括但不限于图像数据处理技术、信号处理技术和特征提取技术;数据预处理模块采用并行计算和分布式计算技术,加速数据处理的速度和效率。
在一些可能的实施例中,数据收集模块基于网络模块云平台与机器人进行数据交换和共享。
在一些可能的实施例中,如图4所示,深度神经网络设计模块采用卷积神经网络和循环神经网络深度学习模型,并通过反向传播算法和梯度下降法训练方法来优化网络参数,所述深度神经网络设计模块还通过增量学习和迁移学习等方法,实现网络的持续学习和优化,卷积神经网络主要用于处理视觉数据,通过卷积和池化操作提取图像的特征,强化机器人目标检测、图像分类性能;循环神经网络用于处理时间序列数据,强化语音识别和自然语言处理性能。
在一些可能的实施例中,如图5所示,训练模块基于深度神经网络设计模块采用卷积神经网络和循环神经网络建立的神经网络结构,集合预处理后的数据训练机器人调整网络参数以最小化预测误差,至少包括:
指令匹配训练,中央处理器接收到单一指令,结合数据收集模块和数据预处理模块采集处理后的机器人周围环境数据,基于决策***建立模块机器人,模块机器人根据决策做出相应的决策,与中央处理器接收到的指令相匹配,若指令与决策的误差在设定阈值内,持续获取数据,基于深度神经网络设计模块优化网络参数,获得最小指令匹配误差;
运动控制训练,发送运动指令,结合数据收集模块和数据预处理模块采集处理后的机器人周围环境数据,基于决策***建立模块机器人,模块机器人根据决策做出相应的动作,与发送的运动目标匹配,若运动目标与机器人动作误差在设定阈值内,持续获取数据,基于深度神经网络设计模块优化网络参数,获得最小运动误差,其中运动误差包括运动速度误差、运动角度误差、运动力度误差;
导航避障训练,发送避障指令,结合数据收集模块和数据预处理模块采集处理后的机器人周围环境数据,基于决策***建立模块机器人,模块机器人根据决策进行避障,与发送的避障目标匹配,若避障目标匹与机器人避障动作的误差在设定阈值内,持续获取数据,基于深度神经网络设计模块优化网络参数,获得最小避障误差;
反馈训练,发送反馈指令,结合数据收集模块和数据预处理模块采集处理后的机器人周围环境数据,进行视觉、听觉与网络***的反馈,若反馈数据与实际数据的误差在设定阈值内,持续获取数据,基于深度神经网络设计模块优化网络参数,获得最小反馈误差。
在一些可能的实施例中,如图6所示,人机交互模块具体为基于中央处理器设置的控制器,控制器至少设置有:
用户登录界面,用于管理者进行用户登录,获取机器人控制权限;
防火墙,用于建立机器人网络安全防线,保障机器人控制***安全;
人机交互界面,为登录用户提供机器人控制操作界面;
后台监管***,建立机器人的后台监管,管理者进行用户登录后,具有绝对的机器人操作权限,防止机器人自主学习抵触控制。
作为一种可能的实施方式,本实施例提供一种基于深度学习的机器人控制方法,包括以下具体步骤:
获取机器人与环境交互的数据;
对收集的数据进行预处理;
根据机器人使用环境构建深度神经网络结构;
基于深度神经网络结构,结合预处理后的数据训练机器人,调整网络参数得到最小预测误差;
基于训练好的深度神经网络构建机器人的决策***,使机器人能够根据网络的预测结果做出相应的动作决策。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习的机器人控制***,其特征在于,包括设置在机器人上的中央处理器,基于中央处理器建立有:
数据收集模块,用于获取机器人与环境交互的数据;
数据预处理模块,用于对收集的数据进行预处理;
深度神经网络设计模块,用于根据机器人使用环境构建深度神经网络结构;
训练模块,基于深度神经网络结构,结合预处理后的数据训练机器人,调整网络参数得到最小预测误差;
决策***建立模块,基于训练好的深度神经网络构建机器人的决策***,用于使机器人能够根据网络的预测结果做出相应的动作决策;
网络模块,用于机器人的网络连接;
报警模块,用于机器人故障时的报警提示;
人机交互模块,用于实现人机交互,人为操控机器人做出适应性动作决策;
所述训练模块至少包括:
指令匹配训练,中央处理器接收到单一指令,结合数据收集模块和数据预处理模块采集处理后的机器人周围环境数据,基于决策***建立模块机器人,模块机器人根据决策做出相应的决策,与中央处理器接收到的指令相匹配,若指令与决策的误差在设定阈值内,持续获取数据,基于深度神经网络设计模块优化网络参数,获得最小指令匹配误差;
运动控制训练,发送运动指令,结合数据收集模块和数据预处理模块采集处理后的机器人周围环境数据,基于决策***建立模块机器人,模块机器人根据决策做出相应的动作,与发送的运动目标匹配,若运动目标与机器人动作误差在设定阈值内,持续获取数据,基于深度神经网络设计模块优化网络参数,获得最小运动误差,其中运动误差包括运动速度误差、运动角度误差、运动力度误差;
导航避障训练,发送避障指令,结合数据收集模块和数据预处理模块采集处理后的机器人周围环境数据,基于决策***建立模块机器人,模块机器人根据决策进行避障,与发送的避障目标匹配,若避障目标匹与机器人避障动作的误差在设定阈值内,持续获取数据,基于深度神经网络设计模块优化网络参数,获得最小避障误差;
反馈训练,发送反馈指令,结合数据收集模块和数据预处理模块采集处理后的机器人周围环境数据,进行视觉、听觉与网络***的反馈,若反馈数据与实际数据的误差在设定阈值内,持续获取数据,基于深度神经网络设计模块优化网络参数,获得最小反馈误差。
2.根据权利要求1所述的基于深度学习的机器人控制***,其特征在于,所述数据收集模块包括用于数据采集的数据采集单元以及用于数据存储的数据存储单元;
所述数据采集单元至少包括:
电信号数据采集,基于网络收集获取机器人所处环境数据,用于建立机器人网络控制***;
力学数据采集,基于力学传感器收集获取机器人所处环境中的力学特征数据,用于建立机器人运行***;
声音数据采集,基于声音传感器收集获取机器人所处环境中的语音特征,用于建立机器人语音交互***;
视觉数据采集,基于视觉传感器收集获取机器人所处环境中的视觉特征,用于建立机器人视觉***。
3.根据权利要求1所述的基于深度学习的机器人控制***,其特征在于,所述数据预处理模块预处理具体包括:对收集到的数据进行归一化、去噪和特征提取;
具体预处理过程包括但不限于图像数据处理、信号处理和特征提取。
4.根据权利要求3所述的基于深度学习的机器人控制***,其特征在于,所述数据预处理模块采用并行计算和分布式计算。
5.根据权利要求1所述的基于深度学***台与机器人进行数据交换和共享。
6.根据权利要求1所述的基于深度学习的机器人控制***,其特征在于,所述深度神经网络设计模块包括卷积神经网络和循环神经网络深度学习模型,
卷积神经网络用于处理视觉数据,通过卷积和池化操作提取图像的特征,强化机器人目标检测和图像分类性能;
循环神经网络用于处理时间序列数据,强化语音识别和自然语言处理性能。
7.根据权利要求1所述的基于深度学习的机器人控制***,其特征在于,所述人机交互模块为基于中央处理器设置的控制器,控制器包括:
用户登录界面,用于管理者进行用户登录,获取机器人控制权限;
防火墙,用于建立机器人网络安全防线,保障机器人控制***安全;
人机交互界面,用于为登录用户提供机器人控制操作界面;
后台监管***,用于建立机器人的后台监管,防止机器人自主学习抵触控制。
8.一种基于深度学习的机器人控制方法,其特征在于,包括以下具体步骤:
获取机器人与环境交互的数据;
对收集的数据进行预处理;
根据机器人使用环境构建深度神经网络结构;
基于深度神经网络结构,结合预处理后的数据训练机器人,调整网络参数得到最小预测误差;
基于训练好的深度神经网络构建机器人的决策***,使机器人能够根据网络的预测结果做出相应的动作决策;
在上述过程中,还包括对机器人进行网络连接,对机器人故障时的报警提示,进行人机交互,人为操控机器人做出适应性动作决策;
所述基于训练好的深度神经网络构建机器人的决策***,使机器人能够根据网络的预测结果做出相应的动作决策至少包括:
指令匹配训练,中央处理器接收到单一指令,结合数据收集模块和数据预处理模块采集处理后的机器人周围环境数据,基于决策***建立模块机器人,模块机器人根据决策做出相应的决策,与中央处理器接收到的指令相匹配,若指令与决策的误差在设定阈值内,持续获取数据,基于深度神经网络设计模块优化网络参数,获得最小指令匹配误差;
运动控制训练,发送运动指令,结合数据收集模块和数据预处理模块采集处理后的机器人周围环境数据,基于决策***建立模块机器人,模块机器人根据决策做出相应的动作,与发送的运动目标匹配,若运动目标与机器人动作误差在设定阈值内,持续获取数据,基于深度神经网络设计模块优化网络参数,获得最小运动误差,其中运动误差包括运动速度误差、运动角度误差、运动力度误差;
导航避障训练,发送避障指令,结合数据收集模块和数据预处理模块采集处理后的机器人周围环境数据,基于决策***建立模块机器人,模块机器人根据决策进行避障,与发送的避障目标匹配,若避障目标匹与机器人避障动作的误差在设定阈值内,持续获取数据,基于深度神经网络设计模块优化网络参数,获得最小避障误差;
反馈训练,发送反馈指令,结合数据收集模块和数据预处理模块采集处理后的机器人周围环境数据,进行视觉、听觉与网络***的反馈,若反馈数据与实际数据的误差在设定阈值内,持续获取数据,基于深度神经网络设计模块优化网络参数,获得最小反馈误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410168990.3A CN117697769B (zh) | 2024-02-06 | 2024-02-06 | 一种基于深度学习的机器人控制***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410168990.3A CN117697769B (zh) | 2024-02-06 | 2024-02-06 | 一种基于深度学习的机器人控制***和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117697769A CN117697769A (zh) | 2024-03-15 |
CN117697769B true CN117697769B (zh) | 2024-04-30 |
Family
ID=90144736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410168990.3A Active CN117697769B (zh) | 2024-02-06 | 2024-02-06 | 一种基于深度学习的机器人控制***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117697769B (zh) |
Citations (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017030135A (ja) * | 2015-07-31 | 2017-02-09 | ファナック株式会社 | ワークの取り出し動作を学習する機械学習装置、ロボットシステムおよび機械学習方法 |
CN106951923A (zh) * | 2017-03-21 | 2017-07-14 | 西北工业大学 | 一种基于多视角信息融合的机器人三维形状识别方法 |
CN108227691A (zh) * | 2016-12-22 | 2018-06-29 | 深圳光启合众科技有限公司 | 机器人的控制方法、***和装置及机器人 |
CN109407518A (zh) * | 2018-12-20 | 2019-03-01 | 山东大学 | 家庭服务机器人运行状态自主认知方法及*** |
CN109760030A (zh) * | 2019-01-26 | 2019-05-17 | 温州大学 | 一种基于深度学习的机器人控制*** |
CN109998421A (zh) * | 2018-01-05 | 2019-07-12 | 艾罗伯特公司 | 移动清洁机器人组合及持久性制图 |
CN110495819A (zh) * | 2019-07-24 | 2019-11-26 | 华为技术有限公司 | 机器人的控制方法、机器人、终端、服务器及控制*** |
CN110838353A (zh) * | 2019-10-11 | 2020-02-25 | 科大讯飞(苏州)科技有限公司 | 动作匹配方法及相关产品 |
CN111753982A (zh) * | 2020-05-29 | 2020-10-09 | 中国科学技术大学 | 一种基于强化学习的人机融合自主性边界切换方法及*** |
CN111844034A (zh) * | 2020-07-17 | 2020-10-30 | 北京控制工程研究所 | 基于深度强化学习的端到端在轨自主加注控制***及方法 |
CN112605983A (zh) * | 2020-12-01 | 2021-04-06 | 浙江工业大学 | 一种适用于密集环境下的机械臂推抓*** |
CN113840697A (zh) * | 2019-05-28 | 2021-12-24 | 川崎重工业株式会社 | 控制装置、控制***、机械装置***以及控制方法 |
CN114397680A (zh) * | 2022-01-17 | 2022-04-26 | 腾讯科技(深圳)有限公司 | 误差模型确定方法、装置、设备及计算机可读存储介质 |
CN114571473A (zh) * | 2020-12-01 | 2022-06-03 | 北京小米移动软件有限公司 | 足式机器人的控制方法、装置及足式机器人 |
CN114728396A (zh) * | 2019-11-15 | 2022-07-08 | 川崎重工业株式会社 | 控制装置、控制***、机器人***以及控制方法 |
WO2022160430A1 (en) * | 2021-01-27 | 2022-08-04 | Dalian University Of Technology | Method for obstacle avoidance of robot in the complex indoor scene based on monocular camera |
CN115213884A (zh) * | 2021-06-29 | 2022-10-21 | 达闼科技(北京)有限公司 | 机器人的交互控制方法、装置、存储介质及机器人 |
CN115243840A (zh) * | 2020-10-28 | 2022-10-25 | 辉达公司 | 用于任务和运动规划的机器学习模型 |
CN115237113A (zh) * | 2021-08-02 | 2022-10-25 | 达闼机器人股份有限公司 | 机器人导航的方法、机器人、机器人***及存储介质 |
US11556724B1 (en) * | 2017-09-01 | 2023-01-17 | Joseph William Barter | Nervous system emulator engine and methods using same |
CN115700414A (zh) * | 2022-11-07 | 2023-02-07 | 中建三局第一建设安装有限公司 | 一种机器人运动误差补偿方法 |
CN116007616A (zh) * | 2023-01-18 | 2023-04-25 | 天津大学 | 一种基于网络状态决策的自适应地图构建***及方法 |
CN116265202A (zh) * | 2021-12-16 | 2023-06-20 | 腾讯科技(深圳)有限公司 | 一种机器人的控制方法、装置及介质、一种机器人 |
CN116300909A (zh) * | 2023-03-01 | 2023-06-23 | 东南大学 | 一种基于信息预处理和强化学习的机器人避障导航方法 |
CN116278880A (zh) * | 2021-12-20 | 2023-06-23 | 华为技术有限公司 | 一种充电设备以及控制机械臂充电的方法 |
CN116533249A (zh) * | 2023-06-05 | 2023-08-04 | 贵州大学 | 基于深度强化学习的机械臂控制方法 |
US11717969B1 (en) * | 2022-07-28 | 2023-08-08 | Altec Industries, Inc. | Cooperative high-capacity and high-dexterity manipulators |
CN116594289A (zh) * | 2023-05-22 | 2023-08-15 | 广东电网有限责任公司 | 机器人姿态预适应控制方法、装置、电子设备及存储介质 |
CN116679710A (zh) * | 2023-06-16 | 2023-09-01 | 浙江润琛科技有限公司 | 一种基于多任务学习的机器人避障策略训练与部署方法 |
CN117369349A (zh) * | 2023-12-08 | 2024-01-09 | 如特数字科技(苏州)有限公司 | 一种远程监测智能机器人的管理*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107223261A (zh) * | 2016-12-07 | 2017-09-29 | 深圳前海达闼云端智能科技有限公司 | 人机混合决策方法和装置 |
KR20190104483A (ko) * | 2019-08-21 | 2019-09-10 | 엘지전자 주식회사 | 로봇 시스템 및 그 제어 방법 |
KR20210129519A (ko) * | 2020-04-20 | 2021-10-28 | 삼성전자주식회사 | 로봇 장치 및 그 제어 방법 |
-
2024
- 2024-02-06 CN CN202410168990.3A patent/CN117697769B/zh active Active
Patent Citations (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017030135A (ja) * | 2015-07-31 | 2017-02-09 | ファナック株式会社 | ワークの取り出し動作を学習する機械学習装置、ロボットシステムおよび機械学習方法 |
CN108227691A (zh) * | 2016-12-22 | 2018-06-29 | 深圳光启合众科技有限公司 | 机器人的控制方法、***和装置及机器人 |
CN106951923A (zh) * | 2017-03-21 | 2017-07-14 | 西北工业大学 | 一种基于多视角信息融合的机器人三维形状识别方法 |
US11556724B1 (en) * | 2017-09-01 | 2023-01-17 | Joseph William Barter | Nervous system emulator engine and methods using same |
CN109998421A (zh) * | 2018-01-05 | 2019-07-12 | 艾罗伯特公司 | 移动清洁机器人组合及持久性制图 |
CN109407518A (zh) * | 2018-12-20 | 2019-03-01 | 山东大学 | 家庭服务机器人运行状态自主认知方法及*** |
CN109760030A (zh) * | 2019-01-26 | 2019-05-17 | 温州大学 | 一种基于深度学习的机器人控制*** |
CN113840697A (zh) * | 2019-05-28 | 2021-12-24 | 川崎重工业株式会社 | 控制装置、控制***、机械装置***以及控制方法 |
CN110495819A (zh) * | 2019-07-24 | 2019-11-26 | 华为技术有限公司 | 机器人的控制方法、机器人、终端、服务器及控制*** |
CN110838353A (zh) * | 2019-10-11 | 2020-02-25 | 科大讯飞(苏州)科技有限公司 | 动作匹配方法及相关产品 |
CN114728396A (zh) * | 2019-11-15 | 2022-07-08 | 川崎重工业株式会社 | 控制装置、控制***、机器人***以及控制方法 |
CN111753982A (zh) * | 2020-05-29 | 2020-10-09 | 中国科学技术大学 | 一种基于强化学习的人机融合自主性边界切换方法及*** |
CN111844034A (zh) * | 2020-07-17 | 2020-10-30 | 北京控制工程研究所 | 基于深度强化学习的端到端在轨自主加注控制***及方法 |
CN115243840A (zh) * | 2020-10-28 | 2022-10-25 | 辉达公司 | 用于任务和运动规划的机器学习模型 |
CN114571473A (zh) * | 2020-12-01 | 2022-06-03 | 北京小米移动软件有限公司 | 足式机器人的控制方法、装置及足式机器人 |
CN112605983A (zh) * | 2020-12-01 | 2021-04-06 | 浙江工业大学 | 一种适用于密集环境下的机械臂推抓*** |
WO2022160430A1 (en) * | 2021-01-27 | 2022-08-04 | Dalian University Of Technology | Method for obstacle avoidance of robot in the complex indoor scene based on monocular camera |
CN115213884A (zh) * | 2021-06-29 | 2022-10-21 | 达闼科技(北京)有限公司 | 机器人的交互控制方法、装置、存储介质及机器人 |
CN115237113A (zh) * | 2021-08-02 | 2022-10-25 | 达闼机器人股份有限公司 | 机器人导航的方法、机器人、机器人***及存储介质 |
CN116265202A (zh) * | 2021-12-16 | 2023-06-20 | 腾讯科技(深圳)有限公司 | 一种机器人的控制方法、装置及介质、一种机器人 |
CN116278880A (zh) * | 2021-12-20 | 2023-06-23 | 华为技术有限公司 | 一种充电设备以及控制机械臂充电的方法 |
CN114397680A (zh) * | 2022-01-17 | 2022-04-26 | 腾讯科技(深圳)有限公司 | 误差模型确定方法、装置、设备及计算机可读存储介质 |
US11717969B1 (en) * | 2022-07-28 | 2023-08-08 | Altec Industries, Inc. | Cooperative high-capacity and high-dexterity manipulators |
CN115700414A (zh) * | 2022-11-07 | 2023-02-07 | 中建三局第一建设安装有限公司 | 一种机器人运动误差补偿方法 |
CN116007616A (zh) * | 2023-01-18 | 2023-04-25 | 天津大学 | 一种基于网络状态决策的自适应地图构建***及方法 |
CN116300909A (zh) * | 2023-03-01 | 2023-06-23 | 东南大学 | 一种基于信息预处理和强化学习的机器人避障导航方法 |
CN116594289A (zh) * | 2023-05-22 | 2023-08-15 | 广东电网有限责任公司 | 机器人姿态预适应控制方法、装置、电子设备及存储介质 |
CN116533249A (zh) * | 2023-06-05 | 2023-08-04 | 贵州大学 | 基于深度强化学习的机械臂控制方法 |
CN116679710A (zh) * | 2023-06-16 | 2023-09-01 | 浙江润琛科技有限公司 | 一种基于多任务学习的机器人避障策略训练与部署方法 |
CN117369349A (zh) * | 2023-12-08 | 2024-01-09 | 如特数字科技(苏州)有限公司 | 一种远程监测智能机器人的管理*** |
Non-Patent Citations (5)
Title |
---|
何宛余.给建筑师的人工智能导读.上海同济大学出版社,2021,第155-157页. * |
基于多传感器融合技术的移动机器人位姿估计方法研究;涂远泯;制造业自动化;20231130;第45卷(第11期);全文 * |
朱大昌.机器人机构学基础.机械工业出版社,2020,第14-30页. * |
郭广颂.智能控制技术.2014,第116-117页. * |
黄石生.新型弧焊电源及其蓄能控制.机械工业出版社,2000,第231-232页. * |
Also Published As
Publication number | Publication date |
---|---|
CN117697769A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11161241B2 (en) | Apparatus and methods for online training of robots | |
CN107139179B (zh) | 一种智能服务机器人及工作方法 | |
US10293483B2 (en) | Apparatus and methods for training path navigation by robots | |
CN109241912B (zh) | 面向无人自主***的基于类脑跨媒体智能的目标识别方法 | |
Sim et al. | Internet-based teleoperation of an intelligent robot with optimal two-layer fuzzy controller | |
CN101825903A (zh) | 一种遥控水下机器人水面控制方法 | |
WO2023178737A1 (zh) | 一种基于脉冲神经网络的数据增强方法及装置 | |
Fu et al. | Vision-based obstacle avoidance for flapping-wing aerial vehicles | |
WO2019147357A1 (en) | Controlling and commanding an unmanned robot using natural interfaces | |
CN110806758B (zh) | 一种基于情景模糊认知图的无人机群自主等级自适应调整方法 | |
CN110533107B (zh) | 梯度增强型Softmax分类器***、训练信号产生方法及其应用 | |
CN117697769B (zh) | 一种基于深度学习的机器人控制***和方法 | |
CN109760030A (zh) | 一种基于深度学习的机器人控制*** | |
Zhao et al. | The Analysis of trajectory control of non-holonomic mobile robots based on internet of things target image enhancement technology and backpropagation neural network | |
CN110673642B (zh) | 无人机着陆控制方法、装置、计算机设备及存储介质 | |
US10812904B2 (en) | Acoustic equalization method, robot and AI server implementing the same | |
CN114453852A (zh) | 基于语音识别控制机械臂进行叶片装配的方法和*** | |
Demidova et al. | Autonomous navigation algorithms based on cognitive technologies and machine learning | |
Li et al. | Guest editorial for special issue on human-centered intelligent robots: issues and challenges | |
KR20210141262A (ko) | 가변형 전류 고정 날개 및 가변형 전류 고정 날개의 열림각 조절 방법 | |
Mahmud et al. | Intelligent autonomous vehicle navigated by using artificial neural network | |
CN118092674B (zh) | 一种用于rov的手势控制方法及*** | |
Yılmaz et al. | Landmark detection via ANN for a web based autonomous mobile robot: SUNAR | |
Wang et al. | Initial Task Assignment in Multi-Human Multi-Robot Teams: An Attention-enhanced Hierarchical Reinforcement Learning Approach | |
CN113554700B (zh) | 一种不可见光瞄准方法 |
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 |