一种人形机器人多模态融合姿态自适应控制方法、系统及介质与流程

摘要: 本技术涉及机器人控制系统领域,特指一种人形机器人多模态融合姿态自适应控制方法、系统及介质。背景技术:1、人形机器人在涉密区域或高危安防巡检场景中执行任务时,需要...
一种人形机器人多模态融合姿态自适应控制方法、系统及介质与流程

本技术涉及机器人控制系统领域,特指一种人形机器人多模态融合姿态自适应控制方法、系统及介质。

背景技术:

1、人形机器人在涉密区域或高危安防巡检场景中执行任务时,需要依赖视觉传感器、惯性测量单元以及关节力矩传感器进行环境感知与自身姿态平衡控制。由于其采集的视频数据往往涉及敏感信息,为了满足保密要求,必须执行国家相关的视频监控联网信息安全技术要求,对视频流数据进行高强度的加密及签名认证。此外,机器人内部的通信总线同样面临被恶意注入伪造数据、数据防重放攻击等严峻的网络攻防威胁。

2、目前,现有的机器人多模态姿态控制算法通常默认底层通信总线绝对可靠,且各传感器数据同步性良好。然而,当为了满足合规性而强行引入加密标准对视觉数据进行加解密和验签时,主控节点处理庞大视觉流会产生显著的随机计算延迟。这种由于密码运算导致的非线性时滞,在传统的卡尔曼滤波数据融合中会被系统错误地视为观测噪声误差,从而直接导致机器人在动态行走时重心位姿计算滞后,引发失稳跌倒等严重系统故障。现存的控制架构普遍缺乏对于底层传感器数据完整性的硬件级与软件级深度校验机制。一旦外部攻击者向系统通信总线注入伪造的高频姿态倾角等污染数据,常规的比例积分微分控制器或模型预测控制器将盲目响应异常数据,导致机器人发生物理实体的损毁。现阶段亟需一种能够在保证音视频数据高安全等级传输的前提下,有效补偿非线性加解密运算时滞,并具备底层防毁降级能力的控制方法,以同时兼顾信息加密与系统平衡。

技术实现思路

1、本技术的主要目的在于提供一种人形机器人多模态融合姿态自适应控制方法、系统及介质,以解决高强度数据加密带来的时间异步问题,并抑制网络总线攻击对机器人物理姿态稳定性的破坏。

2、为实现上述目的,本技术的第一方面提供了一种人形机器人多模态融合姿态自适应控制方法,包括:采集带有数字签名及第一时间戳的视频帧数据,以及高频位姿状态数据;对视频帧数据进行解密验签并获取第一时间差,在缓存的历史位姿状态数据队列中检索第一时间戳对应的状态变量,并利用位姿积分外推模型将视频特征位置误差补偿至叠加第一时间差后的当前时刻;评估各模态数据的校验状态、传输时序抖动率和物理一阶导数限幅指示以计算安全置信系数,并基于安全置信系数动态调节多模态扩展卡尔曼滤波器的观测噪声协方差矩阵,完成自适应融合并生成力矩指令;对力矩指令进行加密并下发,在设定周期内连续发生校验异常时,拒绝力矩指令并短接电机绕组且串入耗散电阻,启动具备被动电磁阻尼的降级模式。

3、可选地,在缓存的历史位姿状态数据队列中检索第一时间戳对应的状态变量,并利用位姿积分外推模型将视频特征位置误差补偿至叠加第一时间差后的当前时刻,包括:获取高频位姿状态数据中的角速度数据和线加速度数据;在历史位姿状态数据队列中进行二分查找,定位与第一时间戳对齐的起始位姿状态;以起始位姿状态为初始值,基于李代数积分将第一时间戳与当前时刻之间的角速度数据和线加速度数据进行积分运算,得到运动学状态外推结果;基于运动学状态外推结果将延后的视觉特征观测数据对齐至当前时刻。

4、可选地,基于李代数积分将第一时间戳与当前时刻之间的角速度数据和线加速度数据进行积分运算,得到运动学状态外推结果,包括:提取离散时间步长内的角速度数据并映射至李代数空间,构造表示旋转更新量的指数映射矩阵,对机器人姿态进行迭代更新计算;基于更新后的机器人姿态将线加速度数据转换至世界坐标系,扣除重力加速度分量后进行两次积分运算,得到机器人位置更新量;将第一时间戳与当前时刻之间所有的旋转更新量和机器人位置更新量进行累加,构建状态转移矩阵,生成附带延时补偿的运动学状态外推结果。

5、可选地,评估各模态数据的校验状态、传输时序抖动率和物理一阶导数限幅指示以计算安全置信系数,并基于安全置信系数动态调节多模态扩展卡尔曼滤波器的观测噪声协方差矩阵,包括:获取密码校验逻辑返回的第一状态码;统计历史通信周期内的到达时间间隔方差,归一化生成传输时序抖动率;比对当前传感器读数相对于上一周期的变化率与预设物理阈值,生成物理一阶导数限幅指示;基于第一状态码、物理一阶导数限幅指示以及传输时序抖动率构建非线性衰减模型,计算得到安全置信系数;计算安全置信系数的倒数,并将倒数作为权重乘数施加至多模态扩展卡尔曼滤波器中对应模态的观测噪声协方差矩阵的对角线元素上。

6、可选地,基于第一状态码、物理一阶导数限幅指示以及传输时序抖动率构建非线性衰减模型,计算得到安全置信系数,包括:判断第一状态码与物理一阶导数限幅指示的逻辑乘积,若逻辑乘积为零,则将安全置信系数置为零;若逻辑乘积为非零,则判断传输时序抖动率是否超过预设抖动阈值;若传输时序抖动率未超过预设抖动阈值,将安全置信系数设为基准满额值;若传输时序抖动率超过预设抖动阈值,计算超出部分的差值,将差值乘以增益调节常数并取负号后作为指数项,通过指数函数计算衰减倍数,将基准满额值乘以衰减倍数,得到并输出隔离状态下的安全置信系数。

7、可选地,在设定周期内连续发生校验异常时,拒绝力矩指令并短接电机绕组且串入耗散电阻,启动具备被动电磁阻尼的降级模式,包括:解析接收到的力矩指令中的递增序列号以及校验令牌参数;当检测到解密失败、递增序列号不连续或缓冲区溢出事件时,累加异常计数器;当异常计数器在设定的时间窗口内超过安全阈值时,触发物理防毁中断;响应于物理防毁中断,切断逆变器功率管的门极驱动信号,并触发内部继电器闭合,将三相电机绕组通过外部硬件电路短接,接入具有设定阻值的耗散电阻以消耗反电动势能量。

8、可选地,切断逆变器功率管的门极驱动信号,并触发内部继电器闭合,将三相电机绕组通过外部硬件电路短接,接入具有设定阻值的耗散电阻以消耗反电动势能量,包括:在触发内部继电器闭合前执行死区时间延迟;构建包含闭合状态的内部继电器的硬件耗能回路,将转动时产生的反电动势引流至耗散电阻以生成阻尼电流;利用阻尼电流构建制动力矩以限制关节动作加速度,输出具备平衡缓降特性的控制动作。

9、可选地,高频位姿状态数据由惯性测量单元和关节编码器产生,高频位姿状态数据包含三轴角速度参数、三轴线加速度参数以及各关节的绝对角度位置。

10、本技术第二方面提供了一种人形机器人多模态融合姿态自适应控制系统,用于实现上述的人形机器人多模态融合姿态自适应控制方法,包括:感知设备,设置于机器人本体,用于采集带有数字签名及第一时间戳的视频帧数据以及高频位姿状态数据;主控融合设备,与感知设备连接,用于对视频帧数据进行解密验签以计算安全置信系数并进行积分外推延时补偿,完成多模态自适应融合以生成力矩指令;伺服执行设备,与主控融合设备连接,用于接收并校验力矩指令,且内部集成继电器和耗散电阻以在发生校验异常时短接电机绕组生成被动电磁阻尼。

11、本技术第三方面提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述的人形机器人多模态融合姿态自适应控制方法。

12、相比于现有技术,本技术具有如下有益效果:本技术通过主控节点建立基于高频位姿状态数据序列的积分外推模型,实现了对视频特征观测数据因密码解密运算产生的随机延迟进行主动补偿计算。使得人形机器人在执行保密协议进行加解密的同时,维持了高数据吞吐量的控制解算等效实时性,消除了密码运算带来的非线性时滞所引发的位姿失稳。通过构建包含密码校验状态、网络时序抖动和物理变化限幅的三因素安全置信系数,将网络数据安全领域的抽象信任度映射为具体的卡尔曼滤波矩阵调控参数,实现了在遭受总线攻击或伪造数据注入时对被污染模态的实时阻断。在此逻辑隔离的基础上,通过在底层的伺服节点预设基于断开逆变器并接入耗散电阻的硬件短接通路,构建了从软件算法层到物理电气层的防毁降级防御体系,利用反向电磁阻尼使机器人在受攻击瘫痪时进入受控蹲伏状态,抵御了伪造指令造成的物理碰撞与实体损坏风险。