[发明专利]人‑机器人运动数据映射的方法及系统

说明书

技术领域

本发明涉及机器人学习的技术领域，具体涉及基于深度学习的人-机器人运动数据映射的方法及系统。

背景技术

机器人/仿人机器人精准的动作生成，对机器人产业、动画制作、医疗健康等领域都有着非常重要的现实意义。例如，在可穿戴设备中，通过相关的算法，使仿人机器人模拟生成不同年龄、不同身体健康程度的用户的运动数据，可以为后期的设备调试、算法评估等提供测试数据，方便了测试过程同时也节约了测试成本。

在现有技术中，仿人机器人动作生成的技术主要包括运动解析法、运动捕捉数据转换法和机器学习法。

运动解析法根据机器人的物理运动原理，建立一整套的运动学解析方程，然后运用相关的机器人和运动学知识，对这些方程进行求解，从而得到机器人的运动轨迹。这种方法过程简单，但是求解过程比较复杂，很容易面临无解的情况。

运动捕捉数据转换法利用运动捕捉设备对人体的特定动作进行捕获，接着运用相关的运动学知识例如欧拉角变换等，把人体的运动数据迁移到对应的机器人模型上，完成数据坐标的映射。这种方法可以一定程度上减少运动求解的复杂度，但是仍然需要进行大量的坐标转换，计算复杂度高，不易于大规模部署求解。

机器学习法对人体运动捕捉数据进行特征提取，然后运用机器学习算法，建立特定的分类或回归模型，例如神经网络、线性回归等，将仿人机器人动作生成问题转换为一个多元回归问题，完成坐标的映射。这类方法将运动学问题转换成机器学习的优化问题，避免了大量繁复的运动学方程求解，充分利用了设备的计算能力与数据多样性，达到了较好的精度与可部署性。然而，随着数据规模的增加以及机器人构造复杂度的增长，在实际应用中，已有的机器学习模型容易受限于模型本身，对于不同的机器人设备，适应性不高，泛化能力不强，易产生欠拟合、不收敛等瓶颈问题。

发明内容

本发明的目的在于，克服上述现有技术的缺陷，提供一种人-机器人运动数据映射的方法。该方法通过深度学习实现人体运动数据到机器人运动数据的映射，从而生成机器人的运动轨迹。

根据本发明的第一方面，提供了一种人-机器人运动数据映射的方法。该方法包括：

步骤1：获取训练数据，所述训练数据包括人体运动数据和相应运动的机器人样本数据；

步骤2：以所述人体运动数据作为输入，以所述机器人样本数据作为期望的输出，通过训练深度学习网络获得深度学习模型，以得到人-机器人运动数据之间的映射关系。

优选地，步骤2包括：

步骤21：将所述训练数据分离为多个子训练数据，所述子训练数据中包括人体的分部运动数据和机器人相应分部的样本数据；

步骤22：基于所述多个子训练数据并行地训练深度学习网络，以获得与各个子训练数据一一对应地的深度学习模型。

优选地，所述子训练数据中包括人和机器人分部运动的空间关系和时序关系。

优选地，所述将训练数据分离为多个子训练数据是基于机器人关节、机器人型号、机器人的任务类型、动作复杂度中的至少一项。

优选地，所述深度学习网络包括卷积神经网络、自动编码机或循环神经网络。

优选地，上述方法还包括根据所述训练数据的数据量、数据格式、机器人型号中的至少一项来调整所述深度学习网络的损失函数。

根据本发明的第二方面，提供了一种预测机器人运动数据的方法。该方法包括：获取人体运动数据；以所述人体运动数据作为输入，利用步骤2中获得的深度学习模型预测相应的机器人运动数据。

根据本发明的第三方面，提供了一种预测机器人运动数据的方法。该方法包括：获取人体运动数据；以所述人体运动数据作为输入，利用步骤22中获得的深度学习模型预测相应的机器人运动数据。

优选地，在根据本发明的第三方面所提供的方法还包括：基于所述深度学习模型预测所述人体运动数据中每一分部对应的机器人分部的运动数据；合成所述机器人分部的运动数据以获得全部的机器人的运动数据。

根据本发明的第四方面，提供了一种预测机器人运动数据的系统。该系统包括：用于获取人体运动数据的模块；用于以所述人体运动数据作为输入，利用步骤2或步骤22中获得的深度学习模型预测相应的机器人运动数据的模块。

与现有技术相比，本发明的优点在于：将深度学习网络应用于人-机器人运动数据映射领域，降低了生成机器人运动轨迹的复杂度并同时提高了其动作的精准度。

附图说明

以下附图仅对本发明作示意性的说明和解释，并不用于限定本发明的范围。其中：