基于条件退火和因果动作标记的机器人运动控制方法与流程

本公开的实施例涉及计算机，具体涉及基于条件退火和因果动作标记的机器人运动控制方法。

背景技术：

1、机器人运动控制方法可以控制机器人执行相应运动的方法，是实现机器人自主移动、操作执行与环境交互的核心支撑。

2、据统计，中国在役机器人存量已突破200万台，占全球保有量的43%以上。然而，工业机器人的应用高度集中于焊接、喷涂等重复性作业，在地下矿井巡检、工业产线作业等领域渗透率仍然极低。根本原因在于，这些场景存在地形复杂、对动作维度间的物理耦合关系要求较高等特点，而现有机器人运动控制技术难以胜任。

3、目前，通常采用的方法是：采用示教再现或预设轨迹规划的方式，通过离线编程或人工拖拽示教记录运动路径，然后由机器人重复执行。

4、目前，对机器人的运动进行控制时，经常会存在如下技术问题：

5、缩短机器人的使用寿命。通过示教再现或预设轨迹规划的方式控制机器人运动，导致机器人每次在执行同一个任务时，都会精确复现相同的关节角度和速度曲线，导致机器人内部的减速器、谐波齿轮等传动机构的啮合接触点完全固定，长期运行下，应力峰值反复作用于同一微小区域，极易引发局部疲劳点蚀和金属剥落，缩短机器人的使用寿命。加剧机器人的硬件磨损。通过神经网络模型对机器人的运动向量进行预测时，神经网络模型通常直接回归每个关节在每个时刻的位置，将多关节的动作数值简单地拼接成一个长向量，然后通过长向量控制机器人运动，容易割裂动作维度间的物理耦合关系，导致两个相邻关节输出方向相悖的扭矩，形成内部力矩对抗，加剧机器人的硬件磨损。加速机器人的硬件磨损。在模型训练时每个样本时间步都使用全部的量化嵌入矩阵生成动作速度场矩阵，容易导致模型生成的动作速度场矩阵过于依赖全局方向，缺少对局部细节的精细表征与动态补偿，导致在通过模型生成的动作速度场矩阵驱动机器人运动时，机器人的容易出现抖动、冲击和急停等事件，容易加速机器人硬件磨损。缩短机器人的使用寿命。神经网络模型仅通过单一的损失函数进行参数调整，缺乏对时序连续性和物理平滑性的显式约束，容易导致在预测机器人的动作向量时，预测出的相邻帧之间存在剧烈跳变，进而导致在控制机器人进行运动时动作连贯性较差，导致机器人在运动时产生明显的抖动，加速关机器人关节等结构的疲劳老化，缩短机器人的使用寿命。

6、该背景技术部分中所公开的以上信息仅用于增强对本公开构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

2、本公开的一些实施例提出了基于条件退火和因果动作标记的机器人运动控制方法，来解决以上背景技术部分提到的技术问题。

3、第一方面，本公开的一些实施例提供了一种基于条件退火和因果动作标记的机器人运动控制方法，包括：基于预先训练的离散标记网络包括的双流动作编码层和向量量化层，对初始神经网络进行因果动作标记训练；响应于确定初始神经网络训练完成，将训练后的初始神经网络确定为自回归主干网络，以及响应于接收到目标服务器发送的机器人控制信号，获取机器人观测图像、机器人动作文本和机器人状态数据；基于上述自回归主干网络，对上述机器人观测图像、上述机器人动作文本和上述机器人状态数据进行多模态编码和线性投影处理，得到图像特征矩阵、文本特征向量和状态投影向量；基于上述自回归主干网络，对预设的动作开始标记、上述图像特征矩阵、上述文本特征向量和上述状态投影向量进行特征拼接处理，得到机器人动作特征矩阵；将上述机器人动作特征矩阵输入至上述自回归主干网络中的特征处理层，得到动作潜在特征向量；基于上述离散标记网络，对上述动作潜在特征向量进行离散码本映射处理，得到离散码本映射矩阵；基于预设的随机噪声矩阵、预设的时间步序列和上述离散标记网络，对上述离散码本映射矩阵进行条件退火流匹配处理，得到连续动作向量矩阵；基于上述连续动作向量矩阵，驱动机器人执行物理运动任务。

4、第二方面，本公开的一些实施例提供了一种基于条件退火和因果动作标记的机器人运动控制装置，包括：训练单元，被配置成基于预先训练的离散标记网络包括的双流动作编码层和向量量化层，对初始神经网络进行因果动作标记训练；确定单元，被配置成响应于确定初始神经网络训练完成，将训练后的初始神经网络确定为自回归主干网络，以及响应于接收到目标服务器发送的机器人控制信号，获取机器人观测图像、机器人动作文本和机器人状态数据；第一处理单元，被配置成基于上述自回归主干网络，对上述机器人观测图像、上述机器人动作文本和上述机器人状态数据进行多模态编码和线性投影处理，得到图像特征矩阵、文本特征向量和状态投影向量；第二处理单元，被配置成基于上述自回归主干网络，对预设的动作开始标记、上述图像特征矩阵、上述文本特征向量和上述状态投影向量进行特征拼接处理，得到机器人动作特征矩阵；输入单元，被配置成将上述机器人动作特征矩阵输入至上述自回归主干网络中的特征处理层，得到动作潜在特征向量；第三处理单元，被配置成基于上述离散标记网络，对上述动作潜在特征向量进行离散码本映射处理，得到离散码本映射矩阵；第四处理单元，被配置成基于预设的随机噪声矩阵、预设的时间步序列和上述离散标记网络，对上述离散码本映射矩阵进行条件退火流匹配处理，得到连续动作向量矩阵；驱动单元，被配置成基于上述连续动作向量矩阵，驱动机器人执行物理运动任务。

5、第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

6、第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

7、本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的基于条件退火和因果动作标记的机器人运动控制方法，可以延长机器人的使用寿命。具体来说，造成缩短机器人的使用寿命的原因在于：缩短机器人的使用寿命。通过示教再现或预设轨迹规划的方式控制机器人运动，导致机器人每次在执行同一个任务时，都会精确复现相同的关节角度和速度曲线，导致机器人内部的减速器、谐波齿轮等传动机构的啮合接触点完全固定，长期运行下，应力峰值反复作用于同一微小区域，极易引发局部疲劳点蚀和金属剥落，缩短机器人的使用寿命。加剧机器人的硬件磨损。通过神经网络模型对机器人的运动向量进行预测时，神经网络模型通常直接回归每个关节在每个时刻的位置，将多关节的动作数值简单地拼接成一个长向量，然后通过长向量控制机器人运动，容易割裂动作维度间的物理耦合关系，导致两个相邻关节输出方向相悖的扭矩，形成内部力矩对抗，加剧机器人的硬件磨损。加速机器人的硬件磨损。在模型训练时每个样本时间步都使用全部的量化嵌入矩阵生成动作速度场矩阵，容易导致模型生成的动作速度场矩阵过于依赖全局方向，缺少对局部细节的精细表征与动态补偿，导致在通过模型生成的动作速度场矩阵驱动机器人运动时，机器人的容易出现抖动、冲击和急停等事件，容易加速机器人硬件磨损。缩短机器人的使用寿命。神经网络模型仅通过单一的损失函数进行参数调整，缺乏对时序连续性和物理平滑性的显式约束，容易导致在预测机器人的动作向量时，预测出的相邻帧之间存在剧烈跳变，进而导致在控制机器人进行运动时动作连贯性较差，导致机器人在运动时产生明显的抖动，加速关机器人关节等结构的疲劳老化，缩短机器人的使用寿命。基于此，本公开的一些实施例的基于条件退火和因果动作标记的机器人运动控制方法，首先，基于预先训练的离散标记网络包括的双流动作编码层和向量量化层，对初始神经网络进行因果动作标记训练。由此，可以训练初始神经网络。其次，响应于确定初始神经网络训练完成，将训练后的初始神经网络确定为自回归主干网络，以及响应于接收到目标服务器发送的机器人控制信号，获取机器人观测图像、机器人动作文本和机器人状态数据。由此，可以得到当前时刻的机器人观测图像、机器人动作文本和机器人状态数据，便于后续通过这些数据生成连续动作向量矩阵。然后，基于上述自回归主干网络，对上述机器人观测图像、上述机器人动作文本和上述机器人状态数据进行多模态编码和线性投影处理，得到图像特征矩阵、文本特征向量和状态投影向量。由此，可以将机器人观测图像、机器人动作文本和机器人状态数据转换为计算机可以处理的特征向量。然后，基于上述自回归主干网络，对预设的动作开始标记、上述图像特征矩阵、上述文本特征向量和上述状态投影向量进行特征拼接处理，得到机器人动作特征矩阵。由此，可以得到机器人动作特征矩阵。然后，将上述机器人动作特征矩阵输入至上述自回归主干网络中的特征处理层，得到动作潜在特征向量。由此，可以得到动作潜在特征向量。然后，基于上述离散标记网络，对上述动作潜在特征向量进行离散码本映射处理，得到离散码本映射矩阵。由此，可以将动作潜在特征向量映射为离散码本映射矩阵。然后，基于预设的随机噪声矩阵、预设的时间步序列和上述离散标记网络，对上述离散码本映射矩阵进行条件退火流匹配处理，得到连续动作向量矩阵。由此，可以生成用于控制机器人运动的连续动作向量矩阵。最后，基于上述连续动作向量矩阵，驱动机器人执行物理运动任务。由此，可以通过生成的连续动作向量矩阵，驱动机器人执行相应的运动。也因为可以先获取当前时刻的机器人观测图像、机器人动作文本和机器人状态数据，然后根据当前时刻的机器人观测图像、机器人动作文本和机器人状态数据生成连续动作向量矩阵，以驱动机器人执行相应的运动，因而可以通过机器人的实时状态控制机器人运动，可以保证即便在执行同一个任务，机器人的移动轨迹和路径并不相同，进而可以将机械应力分散到更宽泛的运动副接触面，避免应力长期集中，从而大幅延缓疲劳磨损，进而可以延长机器人的使用寿命。