CN117283606B 一种机器人受冲击检测方法、芯片及机器人 （珠海一微半导体股份有限公司）

KR20200088585A,2020.07.23速度值与预测速度值之间的差值绝对值得到当与预测速度方向之间的夹角的余弦值得到当前欧式距离大于预设欧式距离阈值且当前速度变器人当前时刻受冲击的第一预测概率与第二预2化对应的欧式距离；计算观测速度方向与当前时刻的预测速度方向之间的夹角的余弦值，其中，待感知测量值序列是来源于机器人的感测装置采集步骤D、若机器人当前时刻受冲击的第一预测概率大于机器人当前时刻受冲击的第二步骤1、利用滑动窗口从机器人的感测装置采集的原始数据中提取出待感知测量值序步骤3、控制所述输入特征在预先构建的冲击感知神经网络内进行多层卷积操作和一击预测概率在损失函数中分别是两个分类的预测结果；当前执行步骤5中所需更新的权重执行的步骤5中得到的权重更新后的所述冲击感知神经网络标记为所述目标冲击感知网络模型，并确定最新执行的步骤5中得到的权重更新后的所述冲击感知神经网络是已训练的得到所述机器人当前时刻受冲击的第一预测概率与所述机器人当前时刻受冲击的第二预步骤C1、利用滑动窗口从机器人的感测装置采集的原始3前时刻受冲击的第一预测概率是待感知测量值序列被分类为机器人当前受冲击状态下所分类为机器人当前不受冲击状态下所提取的测量值2.根据权利要求1所述机器人受冲击检测方法，其softmax分类器用于计算出所述机器人当前时刻受冲击的第一预测概率与所述机器人受冲击预测概率是否大于步骤4得到的第二受冲击预测概率，是则将损失函数所需的标签其中，所述第一受冲击预测概率是待感知测量值序列或所述源于机器人不受冲击状态下所提取的测量值序列的概率，以形成所述softmax算法产生的gtppgtpnpgtpgtpgtppgtpnpgtpgtp其中，卷积层的权重的原始值是随机产生；所述输入特征7.根据权利要求6所述机器人受冲击检测控制所述输入特征依次在所述4个1维卷积层内进行卷积操作，然后控制所述判别特征在所述池化层内进行平均池化4按照机器人的感测装置所采集数据的类型，将各类型的待感知测量值序其中，惯性测量单元包括用于感测加速度测量值的加速度计第一卷积层当中的输入层的深度是8，第一卷积层当中的输入层的深度等于所述输入第一卷积层当中的输出层的深度等于第二卷积层当中的输入其中，第一卷积层当中的输入层的深度与第一卷积层当中的输出层的深度之间的比值，小于第二卷积层当中的输入层的深度与第二卷积层当中的输出层的深度之间的比值；输入层的深度与第四卷积层当中的输出层的深度在所述滑动窗口内，其右端遍历时刻与所述当前时刻保持所述原始数据包括加速度计感测的加速度、陀螺仪感测的角速度、左左轮转动测量值包括机器人的左轮转动距离或左右轮转动测量值包括机器人的右轮转动距离5步骤A1、基于预先设置的定位算法，机器人获取当前位姿得历史位姿观测数据所需采集的原始数据与利用所述定位算法获得当前位姿观测数据所步骤A3、基于延迟乱序观测方程，使用当前位姿观测数步骤A4、根据当前位姿观测数据与历史位姿观测数益矩阵、当前位姿预测数据的先验协方差矩阵以及当前位姿观测数据的噪声协方差矩阵，对当前位姿预测数据的先验协方差矩阵进行其中，所述当前时刻的预测速度值和所述当前时刻的预在所述步骤A4中对当前位姿预测数据的先验协方差矩阵进行校正的方法包括：K,H)P,(I-K,H)T+K,ukf;其中，Bn是先验协方差矩阵经过校正后得到的矩6i是机器人的加速度计测得的当先验位移si-a组成所述当前位姿观测数据；其中，观测时刻i_d是所述当前位姿观测数据的时间戳，基于状态方程计算当前位姿预测数据的先验协方差的先验协方差矩阵；Fε是状态方程相对于观测时刻Fi是状态方程相对于惯性测量单元测量噪声的雅可比矩阵；Qi是当前位姿预测数据的噪声i的初始值由惯性测量单元测量噪声确定。对一个所述采集周期内所采集的N组测量值计算加权均方误差，再判断加权均方误差当判断到加权均方误差不低于预先设定的统计阈值时，确定机器人不处于静止状态；所述对一个所述采集周期内所采集的N组测量值计算加权均方误差7g是重力加速度；其中，机器人发生横向位移所需的速度约束条件包括：机车轮转轴方向上的速度分量大小不等于数值0，且机器人的当前速度在垂直于机器人行走8[0002]面向低成本轮式机器人同步定位与地图构建(SimultaneousLocalizationand[0003]现有技术还可以选择以初始搜索位姿作为先验信息,通过扩展卡尔曼滤波(extendedKalmanfilter，EKF)框架融合惯性测量单元(Inertialmeasurementunit，人在没有先验信息的情况下被瞬间移动到其他位置，则在扩展卡尔曼滤波(extended先在窗口扫描的加速度样本与加速度测量值构建的总体样本之间的马氏距离小于或等于9与当前时刻的预测速度值之间形成的欧式距离以及由观测速度方向与当前时刻的预测速[0013]图2是本申请另一实施例公开利用目标冲击感知网络模型对待感知测量值序列进[0015]图4是本申请又一实施例公开对当前位姿预测数据及其先验协方差矩阵进行校正[0018]轮式机器人在同步定位与地图构建(SimultaneousLocalizationa云地图，该算法精度依赖初始搜索位姿的置信度来预测出先验信息的初始搜索位姿,然后会通过使用标准扩展卡尔曼滤波(extendedKalmanfilter，EKF)框架融合惯性测量单元观测速度方向可以是对机器人的感测装置采集的数据进行搜索和匹配出的速度特征信息，预测速度值和当前时刻的预测速度方向可以是在确定观测速度值和观测速度方向的基础[0022]步骤B计算观测速度值与当前时刻的预测速度值之间的差值绝对值，是从速度大[0023]其中，当前速度变化对应的欧式距离越大且当前速度变化对应的余弦距离越小障碍物或翻越障碍物的场景中引起惯性测量单元测得的加速度出现突变和/或旋转编码器网络模型/冲击感知网络也需要提前使用待感知测量值序列进行训练以提高分类提取精[0030]步骤D、若机器人当前时刻受冲击的第一预测概率大于机器人当前时刻受冲击的目标冲击感知网络模型对待感知测量值序列计算出机器人当前时刻不受冲击的第一预测当前时刻受冲击的第一预测概率与机器人当前时刻不受冲击的第一预测概率的和值等于数值1，机器人当前时刻受冲击的第二预测概率与机器人当前时刻不受冲击的第二预测概值与当前时刻的预测速度值之间形成的欧式距离以及由观测速度方向与当前时刻的预测率与所述机器人当前时刻受冲击的第二预测概率之后，执行步骤D或进一步判断所述机器人当前时刻受冲击的第一预测概率与所述机器人当前时刻受冲击的第二预测概率之间的[0033]在所述步骤C中，所述利用目标冲击感知网络模型对待感知测量值序列进行分类多个传感器类型的待感知测量值序列)，也可以通过多个滑动窗口分别提取对应一个类型[0036]优选地，所述待感知测量值序列和所述原始数据均包括向量大小和向量方向角本体感受传感器。所述待感知测量值序列是绕各个坐标轴方向旋转的角速度测量值序列、指向各个坐标轴方向的加速度测量值序列、左轮转动测量值序列或右轮转动测量值序列。入特征；则一个时间段内的所有类型的待感知测量值序列可以视为合成一个所述输入特值序列形成所述输入特征，相当于组成惯性测量单元感测的惯性位姿特征测量值和/或旋堆叠的多个卷积层中逐层遍历)或最后一个卷积层标冲击感知网络模型包括多个卷积层和一个卷积层)、第三卷积层(视为所述目标冲击感知网络模型内的第三层卷积层)和第四卷积层将4个1维卷积层中卷积结果和1个池化层所取的平均值整合到所述待分类特征中，也降低况是待感知测量值序列或所述待分类特征被softmax算法划分到对应一个分类的情况；然测概率是待感知测量值序列被分类为机器人当前不受冲击状态下所提取的测量值序列的分类器；softmax分类器用于利用所述目标分类特征计算出所述机器人当前时刻受冲击的一个节点(表示机器人受冲击状态的位置点，量值序列被分类为机器人当前受冲击状态下所提取的测量值序列的概率，以形成所述softmax分类器产生的第1个分类的概率，也是机器人的当前位置落入第一个节点的概率；机器人当前时刻受冲击的第二预测概率是待感知测量值序列被分类为机器人当前不受冲击状态下所提取的测量值序列的概率，以形成所述softmax分类器产生的第2个分类的概概率(所述机器人当前时刻受冲击的第一预测概率)进行分类结果的描述以作为受冲击检测的判断参数，更好地平衡所述目标冲击感人的感测装置采集原始数据的时刻可以是提前于或同步于步骤A获取观测速度值和观测速目标冲击感知网络模型，重复执行步骤C2至步骤C5,直至最新计算出来的损失值小于预设损失阈值，再将模型参数更新后的目标冲击感知网络模型更新为目标冲击感知网络模型。击感知网络模型使用同一个所述待感知测量值序列或其生成的输入特征进行训练，包括：所述目标冲击感知网络模型来检测所述机器人是否受冲击的[0051]步骤1、利用滑动窗口从机器人的感测装置采集的原始数据中提取出所述待感知因此，机器人可以通过一个滑动窗口依次提取多器类型的待感知测量值序列)，也可以通过多个滑动窗口分别提取对应一个类型的待感知测量值序列。[0054]优选地，所述待感知测量值序列和所述原始数据均包括向量大小和向量方向角本体感受传感器。所述待感知测量值序列是绕各个坐标轴方向旋转的角速度测量值序列、指向各个坐标轴方向的加速度测量值序列、左轮转动测量值序列或右轮转动测量值序列。个类型的待感知测量值序列是一个时间段内采集的相同传感器类型的待感知测量值序列，可以包括多个维度的测量值，一个类型的待感知测量值序列可以由一个维度的通道传输，[0056]步骤3、控制所述输入特征在预先构建的冲击感知神经网络内进行多层卷积操作括多个卷积层和一个池化层。每个卷积层的卷积操作是控制输入特征所形成的角速度矩特征被传输给池化层以进行一层池化操作；池化操作得到的待分类特征是需要分类的矩实施例中构建的冲击感知神经网络属于卷积神经网络；冲击感知神经网络还包括连接层。的所有维度的待感知测量值序列和来源于所述旋转编码器的所有维度的待感知测量值序述输入特征，相当于组成惯性测量单元感测的惯性位姿特征测量值和/或旋转编码器感测(视为所述冲击感知神经网络内的第二层卷积层)、第三卷积层(视为所述冲击感知神经网层来完成池化操作。从而将4个1维卷积层中卷积结果和1个池化层所取的平均值整合到所坐标轴方向上的分量或绕各个坐标轴的旋转分量)选择合适的卷积层数量和池化层数量、体地，在步骤4中，所述softmax算法在所述冲击感知神经网络中配置为softmax分类器；softmax分类器用于利用所述待分类特征计算出第一受冲击预测概率和第二受冲击预测概率；所述待分类特征是其所连接到的两个节点经过多层卷积操作和池化操作后输出的信感知测量值序列或所述待分类特征被分类为来源于机器人受冲击状态下所提取的测量值类为来源于机器人当前不受冲击状态下所提取的测量值序列的概率，以形成所述softmax[0063]在所述步骤5中，基于所述损失函数对所述冲击感知神经网络进行权重更新的方gtppgtppgtppgtppp是所述第二受冲击预测概率；当步骤4得到的所述第一受冲击预测概率p和所述第二受冲p提高所述损失函数对所述冲击感知神经网络的优化述损失函数最小化，再将最新执行的步骤5中更新出的冲击感知神经网络标记为所述目标冲击感知网络模型至此训练构成完整的卷积神经预测概率，是则将损失函数所需的标签真实值设置为1并确定机器人受冲击是当前预判结置为8711且连续采集228176组待感知测量值序列的情况下，前述权重的更新可以迭代140[0070]在机器人的感测装置采集原始数据(可以是提前于或同步于步骤A同步获取观测断到最新计算出的损失值大于或等于预设损失阈值时，由最新执行的步骤5返回执行步骤判断到最新计算出的损失值小于预设损失阈值，将最新执行的步骤5中得到的权重更新后的所述冲击感知神经网络标记为所述目标冲击感知网络模型，为后续执行的步骤C提供所个卷积层依次连接起来，并保证相邻两个卷积层之的输出层和输入层之间的深度相等)，本实施例中构建的冲击感知神经网络属于卷积神经括同一维度向量在各个坐标轴方向上分量的数量或绕各个坐标轴的旋转分量的数量)，通动窗口的窗口长度，使一个滑动窗口在所述原始数据内框定一个所述待感知测量值序列，即一类型的待感知测量值序列；而同一类型待感个类型的待感知测量值序列是一个时间段内采集的相同传感器类型的待感知测量值序列，可以包括多个维度的测量值，一个类型的待感知测量值序列可以由一个维度的通道传输，包括用于感测左轮转动测量值的左旋转编码器和用于感测右轮转动测量值的右旋转编码间的比值；第二卷积层当中的输入层的深度与第二卷积层当中的输出层的深度之间的比值，小于第三卷积层当中的输入层的深度与第三卷积层当中的输出层的深度之间的比值；积层当中的输入层的深度与第二卷积层当中的输出层的深度之间的比值的倒数是第三卷积层当中的输入层的深度与第三卷积层当中的输出层的深度感知神经网络内利用softmax算法计算出第一受冲击预测概率和第二受冲击预测概率，并[0079]需要说明的是，所述原始数据包括加速度计感测的加速度测量值及加速度方向、对步骤1至步骤6中，使用所述待感知测量值序列对所述冲击感知神经网络进行训练的效率；这里的分类识别准确度是针对步骤6训练出的所述目标冲击感知网络模型对所述待感知测量值序列或相应训练特征的分类操作的[0082]在步骤C利用目标冲击感知网络模型对待感知测量值序列进行分类处理之前，步骤A需要获取观测速度值和观测速度方向，并基于卡尔曼滤波算法获取当前时刻的预测速或其它定位算法对传感器数据处理不及时以及输出的位姿数据存在信息延迟等问题，例[0087]所述历史位姿观测数据与利用所述定位算法获得当前位姿观测数据所需采集的姿观测数据所需采集的原始数据与利用所述定位算法获得当前位姿观测数据所需采集的戳可以近似到整数采集时刻；当所述历史位姿观测数据的时间戳j等于当前位姿观测数据于计算机器人的姿态角的运动学方程。其中，⑴i是机器人的陀螺仪测得的当前时刻角速转换为旋转矩阵；表示四元数乘法以实现绕各个坐标轴方向旋转的角度值进行欧拉变是观测时刻i_d的后验旋转矩阵，用于将(ai_ab)的加速度方向调整为与重力是用于计算机器人在时间间隔d内位移的运动学方程。其中，S-a是观测时刻i_d的预测先验位移以表示机器人在观测时刻i_d的预测位置，是当前预测先验位移以表示机器人在当前i_d的姿态角a-s观测时刻i_d的速度和观测时刻i_d的时间戳预测先验位移$-a组成于卡尔曼滤波算法所需的状态转移矩阵；观测时刻i_d的位姿预测数据在所述状态方序观测方程是使用乱序位置观测数据及其噪声协方差矩阵计算卡尔曼增益的方程。其中，位姿观测数据的噪声协方差矩阵是所述定位算法输出的位姿数据当中所携带的测量误差当前位姿预测数据的先验协方差矩阵进行校正步骤A所述当前时刻的预测速度值和步骤A所述当前时刻的预测测速度方向组成当前时刻的预测速度向量，步骤A所述观测速度值和处于静止状态下可以在下一时刻中直接更新为;2-是当前位姿观测数据与历史位姿[0102]在所述步骤A4中对当前位姿预测数据的先验协方差矩阵进行校正的方法包括：Bn=(I-K,H)P,(I-K,H)T+K,ukf;其中，Bn是先验协方差矩阵经过校正后得到的矩静止状态下可以在下一时刻中直接更新为I是单测装置采集原始数据(可以是同步于步骤C1而在当前时刻充分利用延迟的量测数据(前述当前位姿观测数据)的位姿信息及协方差矩实时为启动利用目标冲击感知网络模型对待感知测量值序列进行分类处理提供速度触发刻的预测速度向量和所述当前位姿预测数据的先验协方差矩阵,达位姿观测数据的噪声协方差矩阵可以不用随着进入下一时刻i+1而被所述定位算法最新输预测速度向量和所述当前位姿预测数据的先验协方差矩阵,达到迭代校正的效果，在重复执行步骤A2至步骤A4的过程中，当前位姿观测数据需要随着进入下一时刻i+1而被上一次姿预测数据及其先验协方差矩阵均被更新，所述步骤A3中计算出的卡尔曼增益矩阵被更的当前位姿预测数据的先验协方差矩阵以及更新后的当前位姿观测数据的噪声协方差矩[0110]对一个采集周期内所采集的N组测量值计算加权均方误差，再判断加权均方误差[0111]具体地，所述对一个所述采集周期内所采集的N组测量值计算加权均方误差的方量值的平均值更新为所述偏置加速度，并使用N组角速度测量值的平均值更新为所述偏置角速度，开始通过执行步骤A2至步骤A4来校正所述当前位姿预测数据及其先验协方差矩当前姿态角q,更新当前速度且更新当前预测先验位移$.从而利