一种基于智控与深度学习的超冗余蛇形机器人控制方法与流程

摘要: 本发明涉及机器人控制,尤其涉及一种基于智控与深度学习的超冗余蛇形机器人控制方法。背景技术:1、现有技术中,蛇形机器人通常依赖视觉来感知环境,然而,在光线不均的场...
一种基于智控与深度学习的超冗余蛇形机器人控制方法与流程

本发明涉及机器人控制,尤其涉及一种基于智控与深度学习的超冗余蛇形机器人控制方法。

背景技术:

1、现有技术中,蛇形机器人通常依赖视觉来感知环境,然而,在光线不均的场景下,传感器数据易产生噪声、丢失或畸变,导致环境模型重建不完整,此外,机器人需处理海量的实时点云或图像数据以进行运动规划,会引发控制的延迟,使得机器人与真实环境脱节,其基于过时信息规划出的避障路径会与移动障碍物发生碰撞,失去运动稳定性,感知系统的实时性瓶颈与动态场景下的可靠性不足,进一步引起了蛇行机器人的动态避障能力不足。

2、中国专利公开号:cn120244933a,公开了一种蛇形机器人及其运动控制方法,包括:若干相互串连的最小执行单元,每个所述最小执行单元由至少三个依次串连的驱动单元组成;每个所述驱动单元,均包括:支持伸缩运动和弯曲运动的驱动模块;每个所述最小执行单元,用于根据由地形环境信息所确定的运动控制策略控制所述最小执行单元的至少三个所述最小执行单元分别进行异步或同步运动,实现直线运动动作或s形运动动作。

3、由此可见,所述蛇形机器人及其运动控制方法,存在由于依据静态地形信息预设运动模式,缺乏实时感知动态障碍物并进行轨迹快速重规划的闭环控制机制,因此在动态环境中无法及时响应变化,导致了蛇行机器人的动态避障能力不足。

技术实现思路

1、为此,本发明提供一种基于智控与深度学习的超冗余蛇形机器人控制方法,用以克服现有技术中由于依据静态地形信息预设运动模式,缺乏实时感知动态障碍物并进行轨迹快速重规划的闭环控制机制,因此在动态环境中无法及时响应变化,导致了蛇行机器人的动态避障能力不足。

2、为实现上述目的,本发明提供一种基于智控与深度学习的超冗余蛇形机器人控制方法,包括:

3、采集机器人状态数据和环境数据,对所述环境数据中的图像进行物理先验增强和预处理,得到机器人输入数据,以根据增强后图像的物理重构一致性和结构保持情况,判定图像增强结果是否符合要求;

4、利用深度学习模型对所述机器人输入数据进行分析,得到机器人速度决策,并根据机器人速度决策生成动态速度包络;

5、利用智能控制算法在所述动态速度包络内进行路径求解,根据生成的控制序列是否满足安全距离约束和机器人运动学约束,判定所述速度决策是否符合要求,并重新生成动态速度包络及路径求解;

6、在再次进行路径求解失败时,根据机器人头部位移变化和候选运动方向的碰撞预测结果,判定机器人是否陷入局部极值,并进行多维度偏航搜索。

7、进一步地,对环境数据中的图像进行物理先验增强,包括:

8、基于暗通道先验和油浸散射特性估计图像透射率,预测环境光、通道衰减及残差修正信息;

9、再通过油浸成像模型的逆过程、物理引导调制和多尺度特征融合得到增强后的图像。

10、进一步地,若基于增强过程中的物理参数对增强后图像进行重构所得的图像与原始图像的散射分布和通道衰减关系一致,且目标边缘和空间结构保持连续,判定图像增强结果符合要求;

11、若重构所得的图像与原始图像的散射分布或通道衰减关系不一致,或目标边缘和空间结构未保持连续,判定图像增强结果不符合要求。

12、进一步地,根据机器人速度决策生成动态速度包络的过程,包括:

13、将机器人速度决策转换为预测时域内各控制时刻的最大允许步长;

14、结合步长变化范围和机器人运动极限构建动态速度包络。

15、进一步地,利用智能控制算法在所述动态速度包络内进行路径求解的过程,包括:

16、将动态速度包络、机器人当前状态和实时障碍物信息作为模型预测控制的约束条件,对路径跟踪、障碍物距离和运动平滑性进行联合优化,得到预测时域内的控制序列。

17、进一步地,若控制序列满足安全距离约束和机器人运动学约束,则判定所述速度决策符合要求;

18、若控制序列不满足安全距离约束或机器人运动学约束,则判定所述速度决策不符合要求。

19、进一步地,重新生成动态速度包络的过程,包括:

20、根据局部障碍密度和有效通道宽度收缩或扩展预测时域内的最大允许步长及步长变化范围,以重新生成动态速度包络。

21、进一步地,路径求解的过程,包括:

22、将重新生成的动态速度包络替换原动态速度包络,并在所述重新生成的动态速度包络限定的可行解空间内重新求解预测时域内的控制序列。

23、进一步地,若机器人头部产生朝向目标位置的有效位移,且至少存在一个未发生预测碰撞的候选运动方向,则判定机器人未陷入局部极值;

24、若机器人头部未产生朝向目标位置的有效位移,或各候选运动方向均发生预测碰撞,则判定机器人陷入局部极值。

25、进一步地,进行多维度偏航搜索的过程,包括:

26、以当前参考运动方向为中心按照偏航角由小至大的顺序分层生成候选运动方向;

27、对各候选运动方向进行碰撞预测,选取未发生预测碰撞的候选运动方向作为安全运动方向;

28、基于所述安全运动方向生成控制序列,将所述控制序列转换为各关节的运动指令并执行。

29、与现有技术相比,本发明的有益效果在于,本发明所述方法通过融合油浸散射规律、通道衰减特性等物理先验对环境图像进行增强,并结合物理重构一致性和结构保持情况验证增强结果,能够抑制油滴散射、黄色色偏及局部眩光,减少障碍物边界和通道结构失真;利用深度学习模型根据机器人状态和环境特征生成速度决策及动态速度包络,并由智能控制算法在该包络内求解满足安全距离和运动学约束的控制序列,能够兼顾狭窄区域的避障安全性与开阔区域的运动效率,避免速度决策直接执行导致碰撞或关节越限;在速度决策不符合要求时,根据局部障碍分布和有效通道空间重新生成动态速度包络,能够针对障碍密度及通道宽度变化调整控制序列的可行解空间,提高路径求解成功率和环境适应能力;在再次路径求解失败时,根据机器人头部位移及候选方向碰撞情况识别局部极值,并通过多维度偏航搜索确定安全运动方向,能够避免机器人在死角或密集障碍区域停滞、振荡或重复碰撞,提高了蛇形机器人的动态避障能力。

30、进一步地,本发明所述方法通过根据增强后图像的物理重构一致性和结构保持情况,判定图像增强结果是否符合要求,由于绝缘油中的密集油滴散射、蓝光强吸收、油膜反射和局部眩光会导致图像颜色失真、边缘模糊及障碍轮廓错位,若仅根据相邻图像透射率变化直接判断图像可靠性,容易将机器人运动引起的视角变化误判为成像质量异常,通过对增强图像进行物理重构一致性校验,并在不符合要求时执行物理引导调制、油浸成像逆恢复和残差修正,可以区分真实环境结构与油浸成像退化,减少散射噪声和黄色色偏对障碍物位置、通道边界及缺陷结构提取的干扰,为后续速度决策和路径规划提供物理合理且结构完整的视觉输入,进一步提高了蛇形机器人的动态避障能力。

31、进一步地,本发明所述方法根据生成的控制序列是否满足安全距离约束和机器人运动学约束,判定所述速度决策是否符合要求,由于变压器内部同时存在绕组密集区域、窄长通道和相对开阔区域,固定速度或者由深度学习模型直接输出运动速度,容易在密集区域发生碰撞,或者在开阔区域运动过于保守,通过将深度学习输出转换为动态速度包络,并由mpc在安全包络内联合优化方向和步长,可以使深度学习模型负责识别环境疏密变化,使mpc负责满足安全距离和运动学约束,避免单一模型直接控制造成的不可执行决策,在保证狭窄区域避障安全性的同时提高开阔区域的检测效率,进一步提高了蛇形机器人的动态避障能力。

32、进一步地,本发明所述方法根据机器人头部位移变化和候选运动方向的碰撞预测结果,判定机器人是否陷入局部极值,由于变压器内部障碍物密集且通道交错,mpc可能在绕组死角、狭窄弯道或对称障碍物之间陷入局部极值,单纯增大障碍物惩罚权重虽然能够使路径远离障碍物,但可能同时造成可行解空间进一步缩小、路径过度绕行,甚至使优化问题更加难以求解,通过在mpc求解失败时执行分层偏航搜索,可以直接改变机器人头部的搜索方向,快速寻找当前预测范围之外的安全出口;通过碰撞预判和历史方向复用,可以减少无效方向的重复计算。进一步采用滑动窗口实现头部轨迹到躯体关节轨迹的低维映射,并通过平滑关节指令,可以防止头部完成避障而后续躯体与障碍物碰撞,同时减少关节抖动、轨迹曲率突变及超出机构转角范围的问题,进一步提高了蛇形机器人的动态避障能力。