[发明专利]一种基于视觉的四足仿生机器人模拟动物步态的方法

权利要求书

1.一种基于视觉的四足仿生机器人模拟动物步态的方法，其特征在于，所述方法具体步骤如下：

步骤(1)实验数据采集：拍摄四足动物在道路上的对角小跑运动视频：拍摄视频中图片分辨率为1270×720，拍摄设备与四足动物持平且距离四足动物5-8m，拍摄角度在±270°之间，在早上8：00-12：00，下午13：00-18：00之间共拍摄十段1min的视频；

步骤(2)建立模型结构：在HRnet高分辨率基础网络上进行改进，建立骨架模型；

步骤(3)提取动物运动参数：通过步骤(2)建立的模型预测步骤(1)拍摄的视频中四足动物关键点的位置，实现对四足动物运动参数的提取；

步骤(4)建立四足机器人模型：将四足动物实体结构信息运用到机器人整体结构设计中，并结合步骤(3)提取的四足动物的运动参数进行机器人的正运动学建模与动力学分析；

步骤(5)机器人对角小跑步态仿真：对机器人的足端轨迹进行了规划，将规划的理想状态下的轨迹同四足仿生机器人的实际运动轨迹进行对比，得出机器人模型可靠，最后通过MATLAB对机器人模型进行动物运动状态的模拟。

2.根据权利要求1所述的基于视觉的四足仿生机器人模拟动物步态的方法，其特征在于：步骤(1)中采用摄影机拍摄视频。

3.根据权利要求1所述的基于视觉的四足仿生机器人模拟动物步态的方法，其特征在于：所述步骤(2)中，模型建立的具体步骤如下：

在HRnet高分辨率基础网络输出的最后四个分支后面添加两条路径，第一条路径设置为三层混合空洞卷积，第二条路径设置为含有通道和空间两种注意力机制的模块；

其中第一条路径具体为：共由三层卷积操作组成，基于第一分支与第二分支通道数较少且上下文全局信息较多的表现，选择在前两个输出分支后面添加HDC层，假设空洞卷积率为d，网络中原始卷机核尺寸为k×k，那么空洞卷积核大小n为

n＝k+(k-1)×(d-1) (1)

由于空洞卷积在扩大特征信息感受野的同时会出现特征像素读取失去连续性的现象，参与卷积运算的像素点均为膨胀后卷积核的有效权重位置，这样会引起栅格效应，丢失部分有价值的特征信息从而影响到最终网络分类预测的准确性，故采用不同膨胀系数的空洞卷积并将三层卷积操作结合为一条路径，其中为了最大限度地填充丢失部分的像素点从而确保信息表征的全面性，需满足在当前层的最大膨胀系数不大于网络原始卷积核尺寸，即满足条件

M_i≤k (2)

M_i＝Max[M_i+1-2d_i,M_i+1-2(M_i+1-d_i),d_i] (3)

其中，M_i为第i层的最大膨胀系数，d_i为第i层的空洞卷积率，Max为取三层中的最大值，由此可改进前两个分支中普通常规卷积带来的特征表征能力较弱与信息全局性较差两个方面；

第二条路径具体为：在第三分支与第四分支的输出后面添加并行注意力模块PAM，基于后两分支通道数较多故所携带的图像细节信息较全面的特点，将通道注意力机制与空间注意力机制相融合，从而为不同通道的表征和像素的位置分配相应的权重，使得与分类有关的像素点信息在网络训练中更加突出，后两分支的输出特征经过最大池化、平均池化与中值池化的操作后将得到的特征向量进行通道和空间的权值计算；先采用1×1的卷积调整通道数为256并进行数据批标准化，在两种注意力机制组合输出的特征向量后降低维度，最后通过sigmoid激活获取并分配2个分支0-1的权重值，生成的通道与空间注意力图计算如下：

Out_channel＝W(MLP*(in^Avgpool+in^Maxpool+in^Medpool)) (4)

Out_spatial＝W(f*(in^Avgpool,in^Maxpool,in^Medpool)) (5)

上式中Out_channel为通道注意图，Out_spatial为空间注意力图，W为sigmoid激活函数，MLP为多层感知机，用以共享权值，f为3×3的卷积操作，in表示后两分支的输出特征，Out_branch为通道权重和空间权重分别与输出特征对位相乘再相加得到的最终分支特征；

两条路径经过特征融合将低级特征弥补上语义信息同时把高级特征增添上空间信息；

通过以上对HRnet高分辨率基础网络的改进，先获得了四足动物的关节点位置再逐次连接形成了骨架模型。