[发明专利]一种仿人机器人跌倒预测方法

说明书

本发明涉及一种仿人机器人跌倒预测方法，包括：在设定的预测间隔时间内，按照采样次数，依次分别获取仿人机器人对应的真实跌倒结果、惯性传感器采集数据以及质心位置数据，并计算得到仿人机器人在x和y方向的零力矩点ZMP；之后进行数据预处理，得到一个包含8维数据的机器人运动特征矩阵；重复上述步骤，得到多个预测间隔时间内的真实跌倒结果以及机器人运动特征矩阵；将多个机器人运动特征矩阵依次作为神经网络模型的输入，结合真实跌倒结果，对神经网络模型进行训练，得到仿人机器人跌倒预测模型；使用跌倒预测模型进行跌倒预测。与现有技术相比，本发明能够准确地预测是否跌倒以及跌倒方向，且能很好地适用于不同机器人的跌倒预测。

技术领域

本发明涉及机器人跌倒检测技术领域，尤其是涉及一种仿人机器人跌倒预测方法。

背景技术

仿人机器人运动灵活，能广泛适用于各种地面和场景；且在外形和结构上与人类相似，与人类交互时容易产生亲近感，容易适应人类现有的环境，代替人类完成许多机械化或者危险的工作，仿人机器人具有巨大的应用潜力和研究价值。而仿人机器人完成各项任务的基础是其双足需保证稳定行走，避免发生机器人跌倒，因此有必要对仿人机器人的跌倒进行预测，以便根据预测结果做出相应决策和动作，如做出应急步态或放缓动作，从而有效防止发生机器人跌倒现象。

目前常用的仿人机器人跌倒预测方法分为两类：

(1)基于机器人动力学建模：根据机器人的本体结构，进行动力学分析和建模，再根据传感器数据得到当前机器人的运动状态，如质心位置、速度、角速度等，推演预测后续时刻机器人的运动变化情况，预测机器人是否会跌倒。然而，仿人机器人是高度复杂的时滞、非线性系统，建立模型时必然要进行简化和线性化，因此线性简化模型带来的误差必然会导致预测错误。另外，不同机器人的本体结构和特性不同，步态生成方法不同，同一模型在不同机器人上的预测效果相差较大。

(2)利用传感器数据进行机器学习：将传感器数据，如压力传感器、惯性传感器等，输入机器学习模型，如回归模型、聚类模型等，进行训练和测试，一般预测成机器人跌倒和不跌倒两类。然而，该类方法对于传感器数据的失真和误差不具有较好的鲁棒性，容易预测错误；并且，一般只能预测是否机器人跌倒，预测跌倒方向的错误率较高。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种仿人机器人跌倒预测方法，以实现准确预测仿人机器人跌倒、同时能够预测跌倒方向的目的。

本发明的目的可以通过以下技术方案来实现：一种仿人机器人跌倒预测方法，包括以下步骤：

S1、设定预测间隔时间及单个预测间隔时间内的采样次数；

S2、在预测间隔时间内，按照采样次数，依次分别获取仿人机器人对应的真实跌倒结果、惯性传感器采集数据以及质心位置数据，并计算得到仿人机器人在x和y方向的零力矩点ZMP；

S3、对步骤S2获取的数据以及计算得到的数据进行预处理，得到一个包含8维数据的机器人运动特征矩阵；

S4、重复步骤S2和S3，得到多个预测间隔时间内仿人机器人对应的真实跌倒结果以及机器人运动特征矩阵；

S5、将步骤S4的多个机器人运动特征矩阵依次作为神经网络模型的输入，结合对应的真实跌倒结果，对神经网络模型进行训练，得到仿人机器人跌倒预测模型；

S6、获取当前预测间隔时间内仿人机器人对应的惯性传感器采集数据以及质心位置数据，并计算得到仿人机器人在x和y方向的零力矩点ZMP，结合步骤S3中数据预处理的方式，得到当前预测间隔时间内仿人机器人对应的机器人运动特征矩阵；

S7、将当前预测间隔时间内仿人机器人对应的机器人运动特征矩阵输入仿人机器人跌倒预测模型，输出得到当前跌倒预测结果。

进一步地，所述预测间隔时间设定在0.1s至0.3s之间。