适配复杂环境的四足机器人自主避障系统及其工作方法与流程
本发明属于深井铸造巡检,具体涉及适配复杂环境的四足机器人自主避障系统及其工作方法。
背景技术:
1、电解铝企业的深井铸造车间高温、空间复杂、作业风险高的行业特性,传统人工巡检、人工盯生产普遍存在漏报率高、响应延迟、覆盖有盲区、闭环管理难的问题。四足机器人凭借其强地形适应性,目前已成为各企业室内狭小空间作业、室外非结构化地形巡检等场景的核心执行载体,自主避障技术是实现其无人化作业的关键,直接决定机器人的作业安全性、路径规划效率和环境适应能力。
2、当前四足机器人避障技术多以环境物理障碍的几何特征识别为核心,通过激光雷达、视觉传感器采集障碍物位置、轮廓信息后进行被动路径规避,这类技术存在两大核心瓶颈:
3、一是忽略了室内外环境中动态交通/作业参与者(行人、车辆、其他作业设备等)的内在行为动机,将动态目标仅视为移动障碍物,缺乏对其行为的前瞻性预测,在人机混行、多设备协同的复杂场景中易引发冲突,避障决策的社会性和协商性不足;
4、二是室内外环境差异显著(室内光照多变、障碍物密集,室外地形崎岖、环境动态性强),传统避障模型为离线静态训练,难以自适应不同环境的感知特征和动态目标行为模式,面对长尾场景时鲁棒性差,且无持续学习能力,长期作业的避障性能难以保障。
5、此外,四足机器人自身运动特性为足式步态,与轮式无人车的运动学模型差异显著,传统基于轮式运动的避障决策无法适配其步态规划要求,易出现避障动作与步态执行不匹配的问题。
6、以上技术缺陷使得四足机器人在深井铸造的智能巡检缺乏一套可以完全匹配技术场景的,能通过融合大模型、视频识别、多模态感知plc、路径规划、全流程闭环管理等核心技术实现“全天候、高精度、智能化”工业安全巡检的技方案。
7、基于上述背景技术中的问题,工作人员提出了适配复杂环境的四足机器人自主避障系统及其工作方法。
技术实现思路
1、本发明的目的在于提供适配复杂环境的四足机器人自主避障系统及其工作方法,以解决轮式运动的避障决策无法适配四足机器人的步态规划要求,易出现避障动作与步态执行不匹配的问题。
2、为了解决以上问题,本发明技术方案为:
3、适配复杂环境的四足机器人自主避障系统,该系统包括依次连接的意图归因单元、行为推演单元、策略生成单元和模型修正单元。
4、上述适配复杂环境的四足机器人自主避障系统的工作方法,该方法分为如下步骤:
5、s1.配置系统;
6、在四足机器人上配置自主避障系统,依次安装并连接的意图归因单元、行为推演单元、策略生成单元和模型修正单元;
7、s2.意图归因单元限定;
8、s2.1将多模态感知数据与环境场景特征多模态感知数据明确定义为三个核心信息维度,同时融合四类环境场景特征,构成意图归因的完整输入信息与输入过程;
9、s2.2融合场景的多模态特征向量构建意图归因单元基于上述三类多模态感知数据和四类环境场景特征值,构建统一的融合场景的多模态特征向量φt(t时刻),将多源、多类型、跨场景的信息整合为适合机器学习模型处理的数学表示;
10、具体构建方式如下:
11、1.通过64单元长短期记忆网络对过去2秒的时序轨迹数据进行编码,生成128维轨迹特征向量;
12、2.通过预训练的resnet-18模型卷积层对姿态图像进行处理,提取256维姿态特征向量,针对室内外光照差异进行特征层自适应调整;
13、3.对相对位置关系进行量化,生成15维特征向量(含到机器人距离、到静态障碍距离、到作业区域距离等);
14、4.对环境场景特征进行归一化量化,生成8维特征向量(含场景类型、地形平整度、光照强度、障碍密度等);
15、5.将上述向量拼接,形成409维的融合场景多模态特征向量φt;
16、s2.3潜在意图向量的生成意图归因单元将融合场景的多模态特征向量φt输入至预设的意图归因模块,该模块为经离线学习训练的分类器模型,通过逆向强化学习算法从室内外海量真实作业场景数据中反向推断特定情境下的意图标签,实现从观测行为到内在动机的映射;
17、其数学实现方式为:it=σ(w・φt+b);
18、其中:
19、it为t时刻的潜在意图向量,无量纲概率分布向量,各项之和为1,为四维向量it=[p1,p2,p3,p4],适配室内外动态参与者的行为特征;预定义四类意图:p1为保持当前运动状态、p2为向机器人方向靠近/横穿、p3为远离机器人/减速避让、p4为临时停顿/变向;
20、w与b为意图归因模块的权重矩阵与偏置向量,通过室内外海量真实作业场景的专家决策数据进行逆向强化学习离线训练获得,包含场景自适应特征;
21、φt为t时刻输入的融合场景多模态特征向量;
22、σ为softmax函数,将线性变换结果映射为0-1之间的概率分布,具备明确物理解释;
23、此外,意图归因单元内置不确定性评估模块,当输入的感知数据质量较低(如室外大雾、室内遮挡)时,输出的潜在意图向量it信息熵较高,分布更均匀,该不确定性会传递至后续决策链条,引导策略生成单元选择更保守、更安全的避障步态行为;
24、对系统行为推演单元的前瞻预测过程、步态可行性校验进行详细阐述,确保适配四足机器人足式运动特性,融合室内/外地形特征;
25、s3.行为推演单元限定;
26、行为推演单元中匹配有任务规划模块;
27、行为推演单元针对任务规划模块生成的候选步态行为集中的每一个候选行为进行动态参与者行为预测和步态执行可行性校验,其核心创新在于将物理世界运动学预测、心理世界心智博弈预测与四足机器人步态运动学约束深度耦合,同时适配室内外地形特征;
28、s4.策略生成单元限定;
29、策略生成单元的最优步态行为决策过程的核心思想是构建四维度综合价值评估框架,适配四足机器人足式运动特性,融合室内/外环境特征,将社会协商性这一抽象概念量化为可计算指标,同时兼顾步态执行的适配性,突破传统仅在安全和效率之间权衡的避障决策模式;
30、针对行为推演单元为每一个可行候选步态行为ae生成的一组预测结果(so′、it′)和步态执行可行性结果f(ae),策略生成单元依次进行单维度价值计算、社会协商性价值量化、综合价值生成和最优行为决策,同时增加安全校验环节,确保避障决策的绝对安全性;
31、s5.模型修正单元限定;
32、模型修正单元通过构建适配室内/外四足机器人避障系统的自适应闭环修正机制,解决预训练模型在面对室内外长尾场景时的局限性,赋予系统持续学习、跨环境自适应的核心能力,同时优化四足机器人步态运动学匹配参数;
33、在机器人执行了由策略生成单元确定的最优避障步态行为ae∗后,模型修正单元启动在线修正流程,整个流程分为偏差量化、梯度计算、参数更新三个核心步骤,最终实现意图归因单元、行为推演单元的模型参数优化和机器人步态运动学参数的自适应调整。
34、进一步地,s2.1的具体流程如下:
35、s2.1.1三个核心信息维度为时序轨迹信息、姿态信息、相对位置关系,其具体含义如下:
36、1.时序轨迹信息:动态参与者在连续时间帧内的位置、速度、加速度序列,揭示其宏观运动规律;通过激光雷达、毫米波雷达、视觉摄像头的多传感器融合与跟踪算法获得,室内场景优化视觉特征匹配,室外场景强化激光雷达的地形穿透性;
37、2.姿态信息:动态参与者的朝向、身体/设备姿态、头部朝向等微观动态,捕捉其注意力和即时意图线索;利用高分辨率摄像头图像,通过姿态估计算法解析,室内场景适配低光照姿态识别,室外场景适配强光、逆光下的特征提取;
38、3.相对位置关系:动态参与者与环境元素(静态障碍、作业区域、交通标识、机器人本体)的空间关系,为意图判断提供场景上下文约束;通过高精地图+实时定位技术获得,室内匹配栅格地图,室外匹配点云地图;
39、s2.1.2四类环境场景特征分别为:
40、室内/外场景标识,如室内门框、室外路牌;
41、地形平整度,如室内平坦、室外崎岖;
42、光照强度,如室内弱光、室外强光;
43、静态障碍分布密度,如室内密集、室外稀疏;
44、s2.1.3将以上信息与场景通过传感器直接采集并量化为特征值。
45、进一步地,s3的行为推演单元中匹配有任务规划模块;该任务规划模块在行为推演单元开始行为推演前,依据全局作业路径、室内外环境特征和当前作业状态,生成离散的候选步态行为集ae,该集合为符合四足机器人运动学约束、适配室内外环境的可行动作选项,例如:室内(直行0.5m、侧移0.3m、原地转弯30°)、室外(直行1m、爬坡10°、越障0.2m、侧移0.5m)。
46、进一步地,s3具体分为以下两个步骤:
47、s3.1动态参与者未来状态与未来意图的前瞻预测;
48、针对候选步态行为集ae中的任一候选行为ae,结合潜在意图向量it,对动态参与者的未来状态和未来意图进行前瞻性预测,引入社会性交互运动修正量,充分考虑机器人步态行为对动态参与者的扰动,而非简单的运动外推;
49、s3.1.1解算社会性交互运动修正量社会性交互运动修正量δαsoc为用于修正动态参与者基础运动趋势的运动参数向量(含速度、加速度、方向),量化机器人候选步态行为ae对具有潜在意图it的动态参与者产生的交互扰动,通过预先训练的场景自适应交互模型计算得出:该模型以机器人候选步态行为、潜在意图向量、室内外场景特征为输入,输出适配场景的运动修正值;
50、模型为多层感知机结构:输入层接收拼接后的意图向量、行为向量和场景特征向量,连接两个各含64个神经元的隐藏层,输出层生成三维的运动修正向量δαsoc速度、加速度、方向);
51、s3.1.2得到预测总运动参数为获得动态参与者最可能的运动状态,结合基准运动参数和社会性交互运动修正量,计算预测总运动参数αo′:
52、αo′=αo;
53、base+δαsoc(it,ae,s);
54、其中:
55、αo′为预测的动态参与者总运动参数向量(单位:m/s、m/s2、°);
56、αo,base为动态参与者的基准运动参数,基于其当前运动状态通过卡尔曼滤波器平滑和短期预测得到,代表无机器人扰动时的自然运动趋势;
57、δαsoc(it,ae,s)为社会性交互运动修正量,s为室内外场景特征值;
58、该公式针对室内外场景进行自适应调整,如室内场景强化近距离交互修正,室外场景强化远距离运动趋势修正;
59、s3.1.3生成预测未来状态通过运动学积分函数fkin(・)处理预测总运动参数αo′,生成动态参与者预测未来状态so′;
60、运动学积分函数为标准牛顿运动学公式,结合时间步长δt(预设0.1秒)计算未来位置、速度、方向:
61、so′=fkin(so,αo′,δt);
62、其中:
63、so为动态参与者的当前状态(含位置、速度、方向);
64、so′为预测的未来状态,包含未来时间步内的运动轨迹和姿态;
65、s3.1.4生成预测未来意图通过意图状态转移函数mtrans(・)预测因机器人候选步态行为引发的动态参与者意图变化,生成预测未来意图it′;
66、该函数将意图动态变化视为受机器人行为、场景特征影响的马尔可夫转移过程,数学实现方式为:
67、it′=mtrans(it,ae,s);
68、其中:
69、it′为预测的未来意图向量,无量纲概率分布向量,与it维度相同、各项和为1;
70、意图状态转移函数由多层感知机实现,输入为it、ae和s,输出层采用softmax激活函数,确保输出为合法概率分布;
71、该函数针对室内外场景训练不同的转移权重,如室内行人意图转移更快速,室外动态参与者意图转移更平缓;
72、为保证物理真实性,社会性交互运动修正量δαsoc的输出值将被约束在动态参与者的物理运动极限内(如行人最大速度、车辆最大转向角),同时结合动态参与者类型(行人、车辆、作业设备)进行差异化约束;
73、s3.2四足机器人步态执行可行性校验;
74、行为推演单元基于四足机器人足式运动学模型,结合室内外地形特征(如地面摩擦系数、地形坡度、障碍高度),对候选步态行为ae进行执行可行性校验,输出步态执行可行性结果f(ae)(可行/不可行,及可行度评分);
75、可行性校验的校验核心指标包括:
76、1、步态执行时机器人的重心稳定性,确保重心在支撑多边形内,适配室内平坦地面和室外崎岖地形的重心调整要求;
77、2、足端与地面的接触稳定性,结合地面摩擦系数,避免打滑、空踩;
78、3、步态动作与地形的匹配性,如室外爬坡步态的坡度匹配、越障步态的障碍高度匹配;
79、4、避障动作的执行空间,确保步态行为在静态障碍间隙中具备足够的运动空间;
80、对步态执行可行性结果为“不可行”的候选行为,直接从候选步态行为集中剔除,仅保留对可行行为进行后续的综合价值评估。
81、进一步地,s4的具体步骤如下:
82、s4.1单维度价值计算;
83、分别计算安全性价值vs、效率性价值ve、步态适配性价值vg,三类价值均为无量纲评分,取值范围为[-1,1],分值越高代表该维度表现越好;
84、s4.1.1安全性价值vs对预测未来状态下机器人避障安全性的量化评分,惩罚可能导致机器人与动态参与者/静态障碍碰撞、接触的行为;
85、计算依据为预测未来状态so′、静态障碍分布特征和机器人本体尺寸,公式为:
86、vs(so′)=-exp(-dmin/dref);
87、其中:
88、dmin为预测轨迹上机器人与动态参与者/静态障碍之间的最小距离;
89、dref为预设参考距离,适配室内外场景差异化设定(室内0.5m、室外1m),确保指数项无量纲;
90、该函数使得距离越近,安全性价值越低,代表避障安全性越差;
91、s4.1.2效率性价值ve对机器人完成当前作业任务效率的量化评分,奖励能使机器人保持作业路径、维持合理运动速度的避障行为,计算依据为预测未来状态so′和机器人全局作业路径;
92、公式为:
93、ve(so′)=exp(-|ldev/lref|-|vego-vdesired|/vref);
94、其中:
95、ldev为机器人执行候选行为后的路径偏离量,lref为预设参考路径长度;
96、vego为机器人执行候选行为后的预测速度,vdesired为当前作业的期望速度;
97、vref为归一化参考速度常量(室内0.3m/s、室外0.8m/s);
98、该函数使得路径偏离越小、速度越接近期望速度,效率性价值越高;
99、s4.1.3步态适配性价值vg对候选步态行为与四足机器人运动特性、室内外地形特征适配性的量化评分,奖励步态执行顺畅、重心稳定、与地形匹配度高的行为;
100、计算依据为步态执行可行性结果f(ae),公式为:
101、vg(f(ae))=fscore;
102、其中:
103、fscore为步态执行可行性评分(0-1),由重心稳定性、接触稳定性、地形匹配性等指标加权得到,分值越高代表步态适配性越好;
104、s4.2社会协商性价值量化;
105、社会协商性价值vn为对候选步态行为在促进室内外作业场景中“机器人-动态参与者”交互清晰度、可预测性的量化评分,奖励能消除歧义、引导动态参与者形成明确、安全意图的行为;
106、通过计算潜在意图向量it与预测未来意图it′之间的信息熵变化实现量化,公式为:
107、vn=h(it)-h(it′);
108、其中:
109、h(・)为信息熵函数,衡量概率分布的不确定性:均匀分布的意图向量信息熵高,代表意图高度不明确;集中分布的向量信息熵低,代表意图明确;
110、若机器人的一个轻微侧移步态能使动态参与者原本犹豫不决的意图(高信息熵)转变为明确避让的意图(低信息熵),则h(it)-h(it′)为较大正数,vn评分高,代表该行为的社会协商性好;
111、为实现量纲统一,对社会协商性价值进行归一化处理,通过双曲正切函数映射到[-1,1]区间:vn,norm=tanh(β・(h(it)-h(it′)))其中,β为可调节标量增益系数,室内外场景统一取值为2;
112、s4.3综合价值生成与最优行为决策;
113、s4.3.1综合价值生成对安全性价值vs、效率性价值ve、步态适配性价值vg和归一化社会协商性价值vn,norm;
114、依据预设场景自适应权重系数进行加权求和,生成候选步态行为的综合价值vtotal,公式为:
115、vtotal=λs・vs+λe・ve+λg・vg+λn・vn,norm;
116、其中:
117、λs(安全性权重)、λe(效率性权重)、λg(步态适配性权重)、λn(社会协商性权重)为标量参数,满足λs+λe+λg+λn=1,依据室内外场景差异化设定,核心原则为:
118、室内场景(人机混行密集):λs=0.4、λn=0.25、λg=0.2、λe=0.15,优先保障安全和交互协商;
119、室外场景(地形复杂、作业效率优先):λs=0.35、λg=0.3、λe=0.2、λn=0.15,优先保障安全和步态适配;
120、权重系数可根据机器人作业模式(如巡检、运输、救援)进行动态调整,如救援模式下进一步提高安全性权重λs;
121、s4.3.2最优行为决策策略生成单元对候选步态行为集中所有可行行为的综合价值vtotal进行比对分析;
122、将具有最大综合价值的候选行为确定为最优避障步态行为ae∗,数学表达式为:
123、ae∗=argmax(λs・vs+λe・ve+λg・vg+λn・vn,norm)(注:求最大值范围为ae∈f,f为步态执行可行的候选行为子集);
124、s4.4安全校验环节;
125、在确定最优避障步态行为后,系统进行强制安全校验:
126、若最优行为的综合价值vtotal仍低于预设的最低安全阈值,则否决所有候选行为,触发机器人预定义紧急避障策略,如:室内(原地停顿、重心降低、发出警示)、室外(紧急制动、向安全区域侧移、重心稳定);
127、最低安全阈值通过大规模室内外场景仿真测试标定:在包含数万个已知危险场景(如室内行人突然横穿、室外车辆快速靠近)的测试集中运行系统,记录导致碰撞/危险接近的决策综合价值,将其最大值上浮5%作为最低安全阈值,确保系统过滤所有已知类型的危险决策。
128、进一步地,s5的具体工作流程进行详细说明如下:
129、s5.1偏差量化:采用损失函数量化综合偏差;
130、模型修正单元通过损失函数将预测偏差和步态匹配偏差量化为可优化的标量值,生成综合损失值l,实现真实环境反馈与系统预测结果的数值化对比;
131、s5.1.1预测偏差lpred:量化行为推演单元对动态参与者的行为预测与实际观测的偏差,采用预测未来状态与实际状态的均方误差(mse)计算;
132、公式为:
133、lpred=mse(so,pred′,so,real)=1/n・∑(so,pred′(i)-so,real(i))2;
134、其中:
135、so,pred′为行为推演单元预测的动态参与者未来状态;
136、so,real为机器人多源感知系统实际观测到的动态参与者状态;
137、n为状态参数维度;
138、s5.1.2步态匹配偏差lgait:量化行为推演单元对步态执行可行性的预测与实际执行效果的偏差;
139、采用步态可行性评分与实际执行评分的均方误差计算,公式为:
140、lgait=(fscore-freal)2;
141、其中:
142、fscore为步态执行可行性预测评分;
143、freal为机器人步态控制系统实际采集的步态执行评分(由重心稳定性、接触稳定性等实际指标计算);
144、s5.1.3综合损失值l:对预测偏差和步态匹配偏差进行加权求和,得到综合损失值;
145、公式为:
146、l=ω1・lpred+ω2・lgait;
147、其中:ω1=0.6、ω2=0.4为偏差权重,优先优化动态参与者行为预测的准确性;
148、s5.2梯度计算:基于随机梯度下降算法计算梯度;
149、采用随机梯度下降(sgd)算法,以综合损失值l为优化目标,计算损失函数对系统可训练模型参数wk的梯度,实现优化方向的求解;
150、可训练模型参数wk包括:
151、意图归因单元中的权重矩阵w、偏置向量b;
152、行为推演单元中用于计算社会性交互运动修正量δαsoc和意图状态转移函数mtrans的神经网络参数;
153、随机梯度下降算法通过迭代计算,找到使综合损失值l最小化的参数更新方向,梯度计算过程结合小批量样本更新,兼顾优化效率和稳定性,同时引入动量项,避免优化过程陷入局部最优解;
154、s5.3参数更新:优化模型参数与步态运动学参数;
155、利用计算得到的梯度,对意图归因单元和行为推演单元的可训练模型参数进行在线更新,同时基于步态匹配偏差lgait优化四足机器人步态运动学匹配参数,实现系统模型与机器人运动特性的双重自适应;
156、s5.3.1模型参数更新模型参数的更新遵循梯度下降的核心规则,公式为:
157、;
158、其中:
159、wk与wk+1分别为模型在k时刻和更新后的可训练参数;
160、η为学习率,为小的正标量(取值0.001),控制每次参数更新的步长,保证优化过程的稳定性;
161、该更新过程为在线增量更新,即每完成一次避障决策,就进行一次参数微调整,使系统从每一次环境交互中汲取经验;
162、s5.3.2步态运动学匹配参数优化基于步态匹配偏差lgait,对四足机器人的步态运动学匹配参数(如足端步长、步高、重心调整系数、关节运动极限)进行场景自适应优化;
163、优化规则为:
164、;
165、其中:
166、pgait为当前步态运动学匹配参数;
167、ηg为步态参数学习率(取值0.0005),小于模型参数学习率,保证步态运动的稳定性;
168、该优化过程针对室内外场景差异化调整,如室内优化步长、步高参数,室外优化重心调整系数、关节运动极限参数。
169、本发明的有益效果如下:
170、(1)本发明系统中,意图归因单元作为系统的认知起点,核心目的是将机器人多源感知系统采集的原始、异构的室内外环境动态参与者多模态感知数据,结合环境场景特征,转化为结构化、可量化的动态参与者内在动机描述;行为推演单元作为系统的博弈推演与步态可行性校验核心,目的是前瞻性预测机器人自身步态行为可能引发的动态参与者交互后果,同时校验步态行为与室内外地形的匹配性;策略生成单元作为系统的决策中枢,目的是从运动学可行的候选步态行为中选择适配室内/外环境的最优避障策略;模型修正单元作为系统实现跨环境自适应与持续进化的保障,目的是构建从真实环境反馈到模型内部参数的闭环修正通路;四个单元深度耦合、协同工作,形成适配四足机器人足式运动的感知-认知-决策-学习技术闭环,可无缝适配室内(如仓储、楼宇、实验室)和室外(如园区、山地、矿区)复杂环境,实现静态障碍精准规避、动态参与者交互避障的自主决策。
171、(2)本发明系统的工作过方法中,针对四足机器人足式步态的运动学特征,设计了步态执行可行性校验环节和步态适配性价值评估维度,同时融合室内外环境的感知、地形、动态参与者行为差异,实现从感知到决策的全流程场景自适应,解决了传统避障技术与足式运动不匹配、跨环境适配性差的问题,在室内狭小密集环境和室外非结构化地形中均能实现精准避障。
172、通过构建意图归因单元,融合多模态感知数据和室内外场景特征,将动态参与者的内在行为动机量化为潜在意图向量,突破了传统将动态目标仅视为移动障碍物的局限;同时通过行为推演单元前瞻性预测机器人步态行为对动态参与者意图的影响,量化社会协商性价值,使机器人的避障决策更具人性化和协商性,在人机混行、多设备协同的复杂场景中能有效规避潜在冲突,提升交互安全性。
173、通过意图归因-行为推演-策略生成-模型修正的深度耦合闭环架构,以机器人候选步态行为为出发点,对每个行为的交互后果、步态可行性进行高精度预测,再通过四维度综合价值评估选择最优决策,实现了从“被动感知障碍-规避”到“主动预测交互-决策”的跨越,使机器人能提前预判行为的综合影响,选择避障安全、作业高效、步态顺畅的最优策略,决策的合理性和前瞻性大幅提升。
174、通过模型修正单元将动态参与者行为预测偏差和机器人步态匹配偏差纳入综合损失值,通过随机梯度下降算法实现对核心模型参数的在线增量更新,同时优化步态运动学匹配参数,构建了从真实环境反馈到模型优化的闭环通路。使系统能够从每一次避障交互中汲取经验,持续适配室内外环境的动态变化和长尾场景,解决了传统静态模型鲁棒性差的问题,确保机器人长期作业的避障性能持续提升。
175、还独创性地提出融合安全性、效率性、步态适配性、社会协商性的四维度综合价值评估体系,突破了传统避障技术仅在安全和效率之间权衡的局限。通过场景自适应权重系数,实现不同环境、不同作业模式下的多目标均衡优化,使机器人的避障决策既保证安全高效,又兼顾步态执行的稳定性和与环境的交互友好性,符合室内外作业场景的实际需求。
176、(3)本发明系统与方法结合可适配足式运动特性,实现跨环境精准避障;能深度理解动态参与者意图,提升交互避障能力;通过构建闭环决策框架,实现从被动规避到主动预测;通过引入在线模型修正,赋予系统持续学习能力;创新的四维度价值评估,实现多目标均衡优化;最终实现适配复杂环境的效果。
177、(4)本发明系统与方法以以我司扁锭车间为试点场景,完美解决了高温、高粉尘环境下传感器数据采集的准确性问题;复杂车间环境中四足机器人的自主避障与精准定位问题;铸造场景下多类型目标(参数、人员、设备)的高精度识别问题;巡检与管理流程的深度融合及全流程闭环管控问题。打破了传统人工巡检局限,为行业筑起长效安全防线,推动工业巡检从“人工依赖”向“智能自主”转型。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com