[发明专利]基于人体手臂运动信息预测的人机在线避障方法及系统

权利要求书

1.一种基于人体手臂运动信息预测的人机在线避障方法，其特征在于，包括以下步骤：

获取人体手臂关键点坐标，根据人体手臂关键点坐标获取人体手臂运动信息；

将获取的人体手臂运动信息输入LSTM-BP模型进行人体手臂运动的预测，其中LSTM-BP模型包括长短期记忆神经网络和反向传播神经网络；

将人体手臂作为障碍物，根据人体手臂运动的预测信息获取斥力场；

将机器人的移动终点作为目标点，根据目标点获取引力场；

根据斥力场和所述引力场获取机器人的末端位姿，根据获得的末端位姿控制机器人运动；其中，所述斥力场不仅与机器人和障碍物之间的距离有关，还与机器人和目标点之间的距离有关。

2.根据权利要求1所述的一种基于人体手臂运动信息预测的人机在线避障方法，其特征在于，所述获取人体手臂关键点坐标，根据人体手臂关键点坐标获取人体手臂运动信息，包括：

采用光学三维动作捕捉系统提取人体手臂关键点坐标；

根据人体手臂关键点坐标计算人体手臂关键点在三个维度上的速度与加速度，获得人体手臂运动信息。

3.根据权利要求1所述的一种基于人体手臂运动信息预测的人机在线避障方法，其特征在于，所述LSTM-BP模型通过以下方式训练：

采用光学三维动作捕捉系统获取人体手臂运动信息；

利用滑动窗口法所述人体手臂运动信息进行数据分割；

利用分割的数据信息对数据进行归一化预处理，并划分出训练集和测试集；

采用训练集训练长短期记忆神经网络，初始化网络参数，在网络中进行参数训练和迭代；利用长短期记忆神经网络训练获得的输出数据，训练反向传播神经网络，在反向传播神经网络中进行参数学习和迭代；

将测试集输进训练后的LSTM-BP模型，对输出数据进行反归一化处理，获得模型中的预测值。

4.根据权利要求1所述的一种基于人体手臂运动信息预测的人机在线避障方法，其特征在于，所述斥力场的表达式为：

其中，η表示斥力场正比例增益因子；q为机器人位置坐标；q_obs为目标点的位置坐标；

d₀表示障碍物斥力势场所影响的最大距离；n表示斥力修正因子；

当机器人向目标点靠近时，斥力在斥力修正因子n的调节下逐渐趋近于零，从而保证目标点在势场中为全局最小。

5.根据权利要求4所述的一种基于人体手臂运动信息预测的人机在线避障方法，其特征在于，根据斥力场获得的斥力，斥力的表达式为：

其中，分力和分别为：

其中，η表示斥力场正比例增益因子；q为机器人位置坐标；q_obs为目标点的位置坐标；

d(q,q_goal)表示障碍物与机器人当前位置之间的空间距离；d₀表示障碍物斥力势场所影响的最大距离；d(q,q_goal)表示机器人当前位置与目标点之间的空间距离；n表示斥力修正因子。

6.根据权利要求1所述的一种基于人体手臂运动信息预测的人机在线避障方法，其特征在于，所述引力场的表达式如下：

根据引力场获得引力，引力的表达式为：

其中，ε为引力势场正比例增益因子；m为引力势场因子；q为机器人位置坐标；q_goal为目标点的位置坐标；d(q,q_goal)表示机器人当前位置与目标点之间的欧式距离。

7.根据权利要求1所述的一种基于人体手臂运动信息预测的人机在线避障方法，其特征在于，所述将人体手臂作为障碍物，根据人体手臂运动的预测信息获取斥力场，包括：

以人体手臂关键点坐标为中心，生成边界包围盒，根据边界包围盒计算机器人和人体手臂间的距离；

根据计算获得的距离获取斥力场，以在人体手臂中形成高势能地区，从而排斥机器人往远离障碍物方向移动。