[发明专利]一种基于深度学习的训练步态控制方法

说明书

本发明公开了一种基于深度学习的训练步态控制方法，属于机器人控制技术领域，本发明可以通过在深度学习的基础上，将构建目标机器人的步态模型，以实现机器人的全方位行走，并采集各种相关数据，其中就包括预先涂覆于机器人关节处的训练涂层的磨损数据，首次将关节磨损作为客观数据引入到训练学习的样本中，通过异常压力或者磨损来判断机器人步态控制的干扰因素和误差控制，同时可以直接定位磨损的区域的方式获得更为精确的磨损数据，并且可以通过对磨损部位进行润滑保护，来降低在训练甚至是实际运动过程中的可预见磨损，从而实现可以对机器人的步态实现灵活和精确的控制，大幅提升对机器人的步态控制效果。

技术领域

本发明涉及机器人控制技术领域，更具体地说，涉及一种基于深度学习的训练步态控制方法。

背景技术

步态是指机器人的每条腿按一定的顺序和轨迹的运动过程，是确保步行机构稳定运行的重要因素。平动步态是指机器人步行时始终保持机体平移。定点转弯步态是指机器人机体绕某轴转动的步态。步态设计包括确定支撑相、摆动相运动的开始和结束。为了在步态生成过程中保持机体的稳定性，要求机器人行走过程中，必须保证至少有三条足处于支撑相状态。同时，为了确保样机在行走过程中具有较好的稳定性，规定相邻步行足不可以同时处于摆动相状态，即机器人的相邻足不可能同时开始摆动。

深度学习是机器学习的一种，而机器学习是实现人工智能的必经路径。深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本等。

虽然深度学习已经广泛应用于人工智能领域，但是机器人的步态控制干扰因素较为复杂，因此传统深度学习对数据的要求十分严苛，尤其是针对机器人关节处的磨损，很难作为数据进行训练学习，因此导致对于机器人步态控制的误差难以有效改善。

发明内容

1．要解决的技术问题

针对现有技术中存在的问题，本发明的目的在于提供一种基于深度学习的训练步态控制方法，可以通过在深度学习的基础上，将构建目标机器人的步态模型，以实现机器人的全方位行走，并采集各种相关数据，其中就包括预先涂覆于机器人关节处的训练涂层的磨损数据，首次将关节磨损作为客观数据引入到训练学习的样本中，通过异常压力或者磨损来判断机器人步态控制的干扰因素和误差控制，同时可以直接定位磨损的区域的方式获得更为精确的磨损数据，并且可以通过对磨损部位进行润滑保护，来降低在训练甚至是实际运动过程中的可预见磨损，从而实现不仅可以对机器人的步态实现灵活和精确的控制，同时利用磨损数据的反馈信息来辅助进行误差控制和异常检测，大幅提升对机器人的步态控制效果。

2．技术方案

为解决上述问题，本发明采用如下的技术方案。

一种基于深度学习的训练步态控制方法，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；

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。

进一步的，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。