[发明专利]一种基于深度学习的训练步态控制方法

权利要求书

1.一种基于深度学习的训练步态控制方法，其特征在于：包括以下步骤：

S1、在仿真平台上构建目标机器人的步态模型，以实现机器人的全方位行走；

S2、采集运动要求数据、运动目标数据、机器人自身的各种状态数据、磨损数据、外部环境数据存入训练数据库，用于提供训练样本，所述磨损数据为训练涂层的磨损数据，且训练涂层涂覆于机器人的各个关节处；

S3、构建基于卷积神经网络的深度学习架构，利用训练数据库内的训练样本对卷积神经网络进行训练，得到深度学习模型；

S4、获取实时的运动要求数据、运动目标数据、机器人自身的各种状态数据、磨损数据、外部环境数据输入到深度学习模型中，获取深度学习模型的输出结果；

S5、利用已构建的步态模型，根据深度学习模型的输出结果实时生成控制信号对机器人的步态进行实时控制。

2.根据权利要求1所述的一种基于深度学习的训练步态控制方法，其特征在于：所述目标机器人的步态模型采用简化的6自由度连杆模型，足部采用平面足底结构。

3.根据权利要求1所述的一种基于深度学习的训练步态控制方法，其特征在于：所述机器人的状态数据包括机器人自身形态数据、运动状态数据和各部件受力数据。

4.根据权利要求1所述的一种基于深度学习的训练步态控制方法，其特征在于：所述训练涂层外表面上连接有多个均匀分布的感知半球（1），所述感知半球（1）内表面连接有镶嵌于训练涂层内的容纳管（2），所述训练涂层内还镶嵌连接有多个均匀分布的解体量柱（4），且解体量柱（4）位于容纳管（2）之间，所述容纳管（2）与解体量柱（4）之间连接有多根均匀分布的导水纤维（3）。

5.根据权利要求4所述的一种基于深度学习的训练步态控制方法，其特征在于：所述感知半球（1）包括磁吸外层（11）、弹性半球（12）和延伸杆（13），且磁吸外层（11）覆盖连接于弹性半球（12）外表面，所述延伸杆（13）与磁吸外层（11）内端连接，且延伸杆（13）贯穿弹性半球（12）并延伸至容纳管（2）内。

6.根据权利要求5所述的一种基于深度学习的训练步态控制方法，其特征在于：所述容纳管（2）内镶嵌连接有多个与导水纤维（3）相对应的海绵吸水球（5），且海绵吸水球（5）贯穿容纳管（2）并延伸至海绵吸水球（5）内。

7.根据权利要求4所述的一种基于深度学习的训练步态控制方法，其特征在于：所述解体量柱（4）包括多个与导水纤维（3）相对应的解体单元，所述解体单元包括隔水膜片（41）、多个磁润滑微球（42）以及崩解块（43），所述崩解块（43）填充于一对隔水膜片（41）之间，且磁润滑微球（42）镶嵌于崩解块（43）内。

8.根据权利要求7所述的一种基于深度学习的训练步态控制方法，其特征在于：所述磁润滑微球（42）包括磁性外壳（421）、吸油棉层（422）和遇热膨胀芯球（423），所述遇热膨胀芯球（423）设于磁性外壳（421）内部，且吸油棉层（422）包裹于遇热膨胀芯球（423）与磁性外壳（421）之间，所述磁性外壳（421）上开设有多个均匀分布的孔（424）。

9.根据权利要求8所述的一种基于深度学习的训练步态控制方法，其特征在于：所述吸油棉层（422）外表面连接有多个与孔（424）相对应的导油物质（425），且导油物质（425）延伸至孔（424）的孔口处。