[发明专利]人机协作下基于Tc-ProMps算法的多模式人体动作预测方法

说明书

本发明公开人机协作下基于Tc‑ProMps算法的多模式人体动作预测方法，在分析人体动作随机不确定特点及作机器人运行方式基础上，实现机器人‑人自然的交互和并行协作，可应用于工业生产中协作机器人的协作控制与安全警报。该预测模型主要分为离线训练和在线预测两个模块，离线模块对人体动作样本进行训练，获取某类动作技能的表征的特征权值向量w及其概率分布；在线模块通过视觉信息观察人体动作，对人体动作进行在线识别和滚动预测。在人机协作过程中能够对人类工作操作是否正确进行预测并提前发出警告，避免不必要的人员伤亡，使协作机器人更加安全；同时在线感知人体动作意图，能够促使人与机器人并行协作，大大提高工业生产效率。

技术领域

本发明涉及一种人机协作下基于Tc-ProMps算法的多模式人体动作预测方法，属于工业机器人领域中的人机交互和智能感知技术领域。

背景技术

2017年AlphaGo以3:0大胜柯洁，引发了社会对人工智能的诸多深思。除了研发这种对抗型机器人，人类更多的关注在于如何让机器人更好的服务于人类。尤其在工业机器人领域，行业秉承的原则一直是如何将一切有利于生活生产的条件融为一体，并通过优化生产各环节来为生产企业服务——于是人机协作诞生了。

目前市场上使用的协作机器人，主要有两类功能：其一，在人体靠近时安全预警，主动减速甚至停止工作；其二采用拖动示教使工业机器人模仿人类独立完成工作。由于人在工作时容易出现效率不一、疲惫和操作失误等现象，被动的停止工作大大降低了工业生产的效率。拖动示教重点是教会工业机器人模仿人类执行一项任务，机器人仍不能主动的与人协作。在工业生产线中还存在许多复杂、多变的任务必须由人类来完成，因此人类与工业机器人的灵活协作就显得尤为重要。因此，工业生产中急需具有预测人体动作意图功能的工业机器人来解决相关问题。

在进行发明创造的过程中发明人发现，在机器人与人组成的人机系统中，机器人缺乏对人体动作的自主感知和理解功能，缺乏交互，所以也并没有在真正意义上的人机协作。现有研究如ProMps算法能够对单一动作模式进行预测，即动作具有相似的运动轨迹和运动速度。而在实际工作中，人类工作的轨迹及速度均具有不确定性，执行过程中也千差万别，所以，如何使动作预测具有一般性，快速准确的预测到多模式的人体动作意图成为ProMps算法急需改进的部分。

发明内容

本发明的发明目的在于：基于以上不足，本发明提出一种人机协作下基于Tc-ProMps算法的多模式人体动作预测方法，该方法针对人手动作随机不确定等特点，对人类动作意图进行实时滚动预测，基于视觉观测前10％阶段人手动作，开始预测动作轨迹，包括动作目标位置及终止时间，预测误差在5cm内。基于视觉观测前30％阶段人手动作，预测误差达到1cm以内。基于预测模型的实时性和准确度，在人机协作过程中能够为协作控制器提供预测控制。在工业机器人工作过程中，针对人体动作随机不确定的特点，本发明的Tc-ProMps算法可以预测多模式人体动作轨迹及意图，实现机器人对人体动作的在线自主感知，使机器人与人之间自然交互，可应用于人机协作中的安全警报和并行协作，提高了机器人的交互性，可靠性和实用性。工业机器人也可通过预测方案检测到人类的失误操作，并提早发出警告，有效避免人员伤亡。通过灵活的人机协作生产方式，不仅可以降低生产成本，且有效提高生产效率。

本发明采用如下技术方案：人机协作下基于Tc-ProMps(时间放缩和概率运动基元，全称为Time Scaling-Probability Movement Primitives)算法的多模式人体动作预测方法，其特征在于，将工业生产线中的协作任务拆分为由工业机器人完成的任务A和由人手操作完成的任务B，所述工业机器人首先观察人手工作的行为状态，并通过基于Tc-ProMps算法的预测模型对所述人手工作的动作意图进行预测，实现人手动作的位移轨迹、速度轨迹和终点位置的预测，在人机协作过程中能够为协作控制器提供预测控制，促使人与机器人并行协作，加快生产效率。

作为一种较佳的实施例，所述动作预测方法具体包括：步骤SS1：离线训练步骤；步骤SS2：在线预测步骤。