[发明专利]家庭服务机器人运行状态自主认知方法及系统

说明书

本发明公开了家庭服务机器人运行状态自主认知方法及系统，包括：采集机器人内部运行数据和机器人外部环境数据；基于采集的数据对机器人运行状态进行自主评估；根据自主评估结果，对机器人做出相应的决策和规划；根据决策和规划发出控制指令，完成机器人预定的服务任务；所述对机器人运行状态进行自主评估，是指过构造多线程神经网络对机器人运行状态数据中的时空特征进行自适应学习，完成对机器人运行状态自主认知模型的训练和构建，通过决策层的多级融合策略实现对机器人运行状态的识别。

技术领域

本公开涉及家庭服务机器人技术领域，特别是涉及家庭服务机器人运行状态自主认知方法及系统。

背景技术

本部分的陈述仅仅是提高了与本公开相关的背景技术，并不必然构成现有技术。

大力发展家庭服务机器人是解决人口老龄化等问题的有效途径，但服务机器人的可靠性和安全性目前仍然较大不足，已成为限制其大规模推广应用的主要瓶颈因素之一。机器人运行状态自主认知方法能够在故障发生初期及时检测并诊断出故障类型，有效提升机器人的安全性和可靠性，具有重要的理论意义和实际应用价值。

传统的机器人运行状态自主认知方式大致可以划分为：基于数学模型的方法、基于专家系统的方法、基于模式识别的方法和基于信号处理的方法。基于数学模型的机器人运行状态自主认知方法在故障机理阐述方面有着独到的优势，但需要建立机器人精确的数学模型。由于工业机械臂的运动学和动力学理论相对完善，获取其精确数学模型获取相对容易，基于模型的机器人运行状态自主认知方法大多适用于工作环境固定、工作流程相对单一的工业机械臂的运行状态评价问题。家庭服务机器人是一类复杂耦合非线性的机电一体化设备，且其工作环境和服务任务多变，获取其精确的数学模型存在较大困难，因此，传统基于数学模型的机器人运行状态认知方法无法直接有效的用于家庭服务机器人。基于专家系统的机器人运行状态认知方法需要大量专家的专门知识，专家系统的运行状态评价精度与不同专家的经验知识具有直接的关系，评价客观性存在一定不足，且适用领域较窄。基于模式识别(如神经网络、支持向量机)的机器人运行状态认知方法在精度方面较前述两种方法有较好提升，但该类方法最关键的特征选择与提取环节需要依靠人工完成，难以保证所得特征是最优特征。基于信号处理的运行状态认知方法通过对信号进行时频域变换和分析实现对机器人设备的运行状态监测，但该类方法难以同时充分利用和挖掘机器人运行所产生的多源异构传感器数据。

综上，传统的机器人运行状态自主认知方式的主要缺陷有：

(1)数学模型精度对机器人运行状态自主认知结果有很大影响，而服务机器人的复杂机电结构和工作环境决定了其精确数学模型获取困难。

(2)服务机器人的运行状态样本数据是既包括了空间分布特性(如工作环境、故障部位等)又蕴含了时间变化规律(如故障的演变与传播等)的动态多模异构时序数据序列，传统的运行状态认知方法无法充分利用上述时空特征信息，影响机器人自主运行状态认知精度，导致机器人运行状态认知精度较低。

(3)没有统一的具备运行状态自主认知能力的机器人体系结构，导致机器人运行状态评估实施困难，另外没有设计相应的安全控制策略，无法根据机器人当前状态信息选择合适的安全控制策略，无法保证机器人控制子系统及冗余监控控制器模块故障等特殊情况下的机器人使用安全。

因此，亟需一种能够充分利用机器人自身装备的多源异构传感器数据，有效提取机器人动态多模异构时序运行状态样本数据中所蕴藏的深层时空特征，充分挖掘机器人运行状态知识的方法及系统，实现对机器人运行状态的有效监测。

发明内容

为了解决现有技术的不足，本公开提供了家庭服务机器人运行状态自主认知方法及系统，利用机器人装备的多种传感器数据，通过结合深度神经网络和多级决策融合等方法，能够对机器人的运行状态有效监测，实现在机器人故障出现的初期对故障类别准确识别，可有效提升家庭服务机器人的安全性和可靠性，对于促进家庭服务机器人的实际应用具有重要意义。