一种机器人运动分析方法、装置、可读存储介质及机器人与流程

1.本技术属于机器人技术领域，尤其涉及一种机器人运动分析方法、装置、计算机可读存储介质及机器人。


背景技术：

2.仿人机器人研究中的一个关键重点是并联构型的控制问题，对于机器人中的并联构型，通过几何学或dh法能够比较容易地直接推导逆运动学的解析解，但是并联构型的正运动学一般会采用数值法计算，基于雅克比矩阵，通过牛顿
‑
拉夫逊方法迭代逼近，计算复杂度较高。


技术实现要素：

3.有鉴于此，本技术实施例提供了一种机器人运动分析方法、装置、计算机可读存储介质及机器人，以解决现有的正运动学分析过程计算复杂度较高的问题。
4.本技术实施例的第一方面提供了一种机器人运动分析方法，可以包括：
5.获取机器人的目标关节在并联构型下的第一关节角度；
6.使用预设的正运动学分析模型对所述第一关节角度进行处理，得到所述目标关节在串联构型下的第二关节角度；所述正运动学分析模型为由预设的第一训练样本集合训练得到的深度学习模型，且所述第一训练样本集合为根据逆运动学分析过程所构建的集合。
7.在第一方面的一种具体实现中，所述机器人运动分析方法还可以包括：
8.获取所述目标关节的关节运动参数；
9.使用预设的逆动力学分析模型对所述目标关节的关节运动参数进行处理，得到所述目标关节的驱动力矩；所述逆动力学分析模型为由预设的第二训练样本集合训练得到的深度学习模型，且所述第二训练样本集合为根据正动力学分析过程所构建的集合。
10.在第一方面的一种具体实现中，在使用预设的正运动学分析模型对所述第一关节角度进行处理之前，所述机器人运动分析方法还可以包括：
11.确定所述目标关节在串联构型下的运动范围；
12.在所述运动范围中选取第一数目的串联关节角度；
13.根据所述逆运动学分析过程计算与每个串联关节角度分别对应的并联关节角度；
14.构建所述第一训练样本集合；所述第一训练样本集合中包括第一数目的训练样本，每个训练样本均包括一组串联关节角度和对应的并联关节角度；
15.使用所述第一训练样本集合对初始状态的深度学习模型进行训练，并将训练后的深度学习模型作为所述正运动学分析模型。
16.在第一方面的一种具体实现中，所述深度学习模型可以为包括第一生成器和第一判别器的生成对抗网络模型；
17.所述使用所述第一训练样本集合对初始状态的深度学习模型进行训练，可以包括：
18.对于所述第一训练样本集合中的每个训练样本，使用所述第一生成器对该样本的并联关节角度进行处理，得到第一生成结果；
19.根据该样本的第一生成结果和串联关节角度，使用所述第一判别器进行模型训练过程。
20.在第一方面的一种具体实现中，在使用预设的逆动力学分析模型对所述目标关节的关节运动参数进行处理之前，所述机器人运动分析方法还可以包括：
21.获取所述目标关节的运动轨迹记录；
22.在所述运动轨迹记录中选取第二数目的运动轨迹点，其中，每个运动轨迹点均包括驱动力矩、关节速度和关节加速度；
23.根据所述正动力学分析过程计算与每个运动轨迹点分别对应的关节角度；
24.构建所述第二训练样本集合；所述第二训练样本集合中包括第二数目的训练样本，每个训练样本均包括一组驱动力矩和对应的关节运动参数；关节运动参数包括关节角度、关节速度和关节加速度；
25.使用所述第二训练样本集合对初始状态的深度学习模型进行训练，并将训练后的深度学习模型作为所述逆动力学分析模型。
26.在第一方面的一种具体实现中，所述深度学习模型为包括第二生成器和第二判别器的生成对抗网络模型；
27.所述使用所述第二训练样本集合对初始状态的深度学习模型进行训练，可以包括：
28.对于所述第二训练样本集合中的每个训练样本，使用所述第二生成器对该样本的关节运动参数进行处理，得到第二生成结果；
29.根据该样本的第二生成结果和驱动力矩，使用所述第二判别器进行模型训练过程。
30.在第一方面的一种具体实现中，所述使用预设的正运动学分析模型对所述第一关节角度进行处理，得到所述目标关节在串联构型下的第二关节角度，可以包括：
31.将所述第一关节角度输入至所述正运动学分析模型中进行处理，并将所述正运动学分析模型处理后的输出作为所述第二关节角度。
32.本技术实施例的第二方面提供了一种机器人运动分析装置，可以包括：
33.第一关节角度获取模块，用于获取机器人的目标关节在并联构型下的第一关节角度；
34.正运动学分析模块，用于使用预设的正运动学分析模型对所述第一关节角度进行处理，得到所述目标关节在串联构型下的第二关节角度；所述正运动学分析模型为由预设的第一训练样本集合训练得到的深度学习模型，且所述第一训练样本集合为根据逆运动学分析过程所构建的集合。
35.在第二方面的一种具体实现中，所述机器人运动分析装置还可以包括：
36.关节运动参数获取模块，用于获取所述目标关节的关节运动参数；
37.逆动力学分析模块，用于使用预设的逆动力学分析模型对所述目标关节的关节运动参数进行处理，得到所述目标关节的驱动力矩；所述逆动力学分析模型为由预设的第二训练样本集合训练得到的深度学习模型，且所述第二训练样本集合为根据正动力学分析过
程所构建的集合。
38.在第二方面的一种具体实现中，所述机器人运动分析装置还可以包括：
39.运动范围确定模块，用于确定所述目标关节在串联构型下的运动范围；
40.串联关节角度选取模块，用于在所述运动范围中选取第一数目的串联关节角度；
41.逆运动学分析模块，用于根据所述逆运动学分析过程计算与每个串联关节角度分别对应的并联关节角度；
42.第一训练样本集合构建模块，用于构建所述第一训练样本集合；所述第一训练样本集合中包括第一数目的训练样本，每个训练样本均包括一组串联关节角度和对应的并联关节角度；
43.正运动学分析模型训练模块，用于使用所述第一训练样本集合对初始状态的深度学习模型进行训练，并将训练后的深度学习模型作为所述正运动学分析模型。
44.在第二方面的一种具体实现中，所述深度学习模型为包括第一生成器和第一判别器的生成对抗网络模型；
45.所述正运动学分析模型训练模块可以包括：
46.第一生成器处理单元，用于对于所述第一训练样本集合中的每个训练样本，使用所述第一生成器对该样本的并联关节角度进行处理，得到第一生成结果；
47.第一判别器处理单元，用于根据该样本的第一生成结果和串联关节角度，使用所述第一判别器进行模型训练过程。
48.在第二方面的一种具体实现中，所述机器人运动分析装置还可以包括：
49.运动轨迹记录获取模块，用于获取所述目标关节的运动轨迹记录；
50.运动轨迹点选取模块，用于在所述运动轨迹记录中选取第二数目的运动轨迹点，其中，每个运动轨迹点均包括驱动力矩、关节速度和关节加速度；
51.正动力学分析模块，用于根据所述正动力学分析过程计算与每个运动轨迹点分别对应的关节角度；
52.第二训练样本集合构建模块，用于构建所述第二训练样本集合；所述第二训练样本集合中包括第二数目的训练样本，每个训练样本均包括一组驱动力矩和对应的关节运动参数；关节运动参数包括关节角度、关节速度和关节加速度；
53.逆动力学分析模型训练模块，用于使用所述第二训练样本集合对初始状态的深度学习模型进行训练，并将训练后的深度学习模型作为所述逆动力学分析模型。
54.在第二方面的一种具体实现中，所述深度学习模型为包括第二生成器和第二判别器的生成对抗网络模型；
55.所述逆动力学分析模型训练模块可以包括：
56.第二生成器处理单元，用于对于所述第二训练样本集合中的每个训练样本，使用所述第二生成器对该样本的关节运动参数进行处理，得到第二生成结果；
57.第二判别器处理单元，用于根据该样本的第二生成结果和驱动力矩，使用所述第二判别器进行模型训练过程。
58.在第二方面的一种具体实现中，所述正运动学分析模块具体用于将所述第一关节角度输入至所述正运动学分析模型中进行处理，并将所述正运动学分析模型处理后的输出作为所述第二关节角度。
59.本技术实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种机器人运动分析方法的步骤。
60.本技术实施例的第四方面提供了一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一种机器人运动分析方法的步骤。
61.本技术实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在机器人上运行时，使得机器人执行上述任一种机器人运动分析方法的步骤。
62.本技术实施例与现有技术相比存在的有益效果是：本技术实施例获取机器人的目标关节在并联构型下的第一关节角度；使用预设的正运动学分析模型对所述第一关节角度进行处理，得到所述目标关节在串联构型下的第二关节角度；所述正运动学分析模型为由预设的第一训练样本集合训练得到的深度学习模型，且所述第一训练样本集合为根据逆运动学分析过程所构建的集合。通过本技术实施例，使用深度学习模型来进行正运动学分析过程，相比于现有的数值法计算方法，有效降低了计算复杂度。
附图说明
63.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
64.图1为本技术实施例中所使用的坐标系的示意图；
65.图2为坐标轴与旋转方向的对应关系图；
66.图3为并联机构的示意图；
67.图4为膝
‑
踝并联机构的示意图；
68.图5为正运动学和逆运动学分析过程的示意图；
69.图6为生成对抗网络模型的示意图；
70.图7为正运动学分析模型的构建过程的示意流程图；
71.图8为正运动学分析过程的示意流程图；
72.图9为正动力学和逆动力学分析过程的示意图；
73.图10为逆动力学分析模型的构建过程的示意流程图；
74.图11为逆动力学分析过程的示意流程图；
75.图12为本技术实施例中一种机器人运动分析装置的一个实施例结构图；
76.图13为本技术实施例中一种机器人的示意框图。
具体实施方式
77.为使得本技术的发明目的、特征、优点能够更加的明显和易懂，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本技术一部分实施例，而非全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护
的范围。
78.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
79.还应当理解，在此本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
80.还应当进一步理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
81.如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0082]
另外，在本技术的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0083]
在本技术实施例中，可以首先建立如图1所示的全局坐标系∑
w
，在该坐标系下，机器人的前向为x轴，侧向为y轴，纵向为z轴。
[0084]
图2所示为坐标轴与旋转方向的对应关系图，如图所示，绕着x轴旋转的方向为r
x
，记为翻滚角(roll角)；绕着y轴旋转的方向为r
y
，记为俯仰角(pitch角)；绕着z轴旋转的方向为r
z
，记为偏航角(yaw角)。
[0085]
一般地，机器人的每条腿可以包括髋关节、膝关节和踝关节。在每个关节处都有一个局部坐标系，局部坐标系的初始状态跟全局坐标系是一致的。在串联构型下，左腿髋关节h1和右腿髋关节h2分别有三个自由度，通过三个旋转舵机分别可绕其局部坐标系的x轴、y轴和z轴旋转，左腿膝关节k1和右腿膝关节k2分别有一个自由度，通过一个旋转舵机可绕其局部坐标系的y轴旋转，左腿踝关节a1和右腿踝关节a2分别有两个自由度，通过两个旋转舵机分别可绕其局部坐标系的x轴和y轴旋转。
[0086]
在并联构型下，可以设置如图3所示的髋
‑
膝并联机构(左图)或膝
‑
踝并联机构(右图)，其中的数字表示关节自由度，以下叙述中以膝
‑
踝并联机构为例进行说明，髋
‑
膝并联机构的情况与之类似。在图4所示的膝
‑
踝并联机构中，髋关节和膝关节与串联构型的情况相同，在踝关节(o)处建立初始状态跟全局坐标系一致的局部坐标系。
[0087]
目前一般使用的机器人模型是基于并联构型的，但是控制算法都是基于串联构型的，因此，在本技术实施例中可以首先建立从并联构型到串联构型之间的等价关系。
[0088]
以单条腿为例，并联构型下的关节角度可表示为：
[0089]
θ＝(θ1，θ2，θ3，θ4，θ5，θ6)
t
[0090]
其中，θ1，θ2，θ3为髋关节在三个自由度上的关节角度，θ4为膝关节在一个自由度上的关节角度，θ5，θ6为踝关节在两个自由度上的关节角度。
[0091]
相应地，串联构型下的关节角度可表示为：
[0092]
q＝(q1，q2，q3，q4，q5，q6)
t
[0093]
其中，q1，q2，q3为髋关节在三个自由度上的关节角度，q4为膝关节在一个自由度上
的关节角度，q5，q6为踝关节在两个自由度上的关节角度。在现有的机器人控制算法中，可以基于腰部位姿p
torso
、r
torso
和足部位姿p
foot
、r
foot
计算得到q。
[0094]
事实上，对于髋关节，θ1＝q1，θ2＝q2，θ3＝q3；对于膝关节，θ4＝q4；而对于踝关节，θ5，θ6与q5，q6并不相同。
[0095]
在本技术实施例中，如图5所示，可以将根据θ5，θ6求解q5，q6的过程作为正运动学分析过程，将根据q5，q6求解θ5，θ6的过程作为逆运动学分析过程。
[0096]
在本技术实施例中，可以使用深度学习模型来进行正运动学分析过程，具体采用何种类型的深度学习模型可以根据实际情况进行设置，此处优选采用生成对抗网络(generative adversarial networks，gan)模型。对于生成对抗网络模型，给定一批样本，可以训练一个系统能够生成类似的样本，从而能够解决训练数据不足的问题。
[0097]
图6所示为生成对抗网络模型的示意图，生成对抗网络模型可以包括生成器g和判别器d，其中，生成器g用于训练学习从一个低维潜在向量z(z～p
z
(z)独立同分布)，到真实数据x的映射g(z)；判别器d用于训练学习区分数据来源于真实数据x(x～p
data
(x))还是生成器生成的数据g(z)；生成对抗网络模型通过优化过程来调整生成器g与判别器d，其目标函数为：
[0098][0099]
如图7所示，在本技术实施例的一种具体实现中，正运动学分析模型的构建过程可以包括如下步骤：
[0100]
步骤s701、确定目标关节在串联构型下的运动范围。
[0101]
以目标关节为踝关节为例，可以将其运动范围记为：q5∈[q
5min
，q
5max
]，q6∈[q
6min
，q
6max
]，其中，q
5min
，q
5max
，q
6min
，q
6max
分别为预设的阈值，其具体取值可以根据实际情况进行设置。
[0102]
步骤s702、在运动范围中选取第一数目的串联关节角度。
[0103]
在运动范围中选取一个q5的取值以及一个q6的取值，两者即可构成一个串联关节角度。第一数目的具体取值可以根据实际情况进行设置，一般地，为了保证训练得到的模型的精准度，应尽量采集足够多的串联关节角度。
[0104]
在进行采样时，可以根据实际情况采取不同的采样方式，包括但不限于随机采样以及均匀采样等等。
[0105]
步骤s703、根据逆运动学分析过程计算与每个串联关节角度分别对应的并联关节角度。
[0106]
对于根据串联关节角度q5，q6求解并联关节角度θ5，θ6的逆运动学分析过程，可以根据实际情况选取现有技术中的任意一种逆运动学分析方法，本实施例对此不再赘述。
[0107]
步骤s704、构建第一训练样本集合。
[0108]
第一训练样本集合中包括第一数目的训练样本，每个训练样本均包括一组串联关节角度和对应的并联关节角度。
[0109]
步骤s705、使用第一训练样本集合对初始状态的深度学习模型进行训练，并将训练后的深度学习模型作为正运动学分析模型。
[0110]
此处优先采用生成对抗网络模型，该模型可以包括第一生成器和第一判别器。在
训练过程中，对于第一训练样本集合中的每个训练样本，首先使用第一生成器对该样本的并联关节角度进行处理，得到第一生成结果，然后根据该样本的第一生成结果和串联关节角度，使用第一判别器进行模型训练过程，最终得到已训练的正运动学分析模型。
[0111]
在训练得到正运动学分析模型之后，则可以通过如图8所示的过程进行机器人正运动学分析：
[0112]
步骤s801、获取机器人的目标关节在并联构型下的第一关节角度。
[0113]
步骤s802、使用正运动学分析模型对第一关节角度进行处理，得到目标关节在串联构型下的第二关节角度。
[0114]
具体地，可以将第一关节角度输入至正运动学分析模型中进行处理，并将正运动学分析模型处理后的输出作为第二关节角度。
[0115]
在本技术实施例中，使用深度学习模型来进行正运动学分析过程，相比于现有的数值法计算方法，有效降低了计算复杂度。
[0116]
如图9所示，在本技术实施例的一种具体实现中，还可以将根据关节的驱动力矩τ、关节速度和关节加速度求解关节角度θ的过程作为正动力学分析过程，将根据关节角度θ、关节速度与关节加速度求解关节的驱动力矩τ的过程作为逆动力学分析过程。
[0117]
在本技术实施例中，可以使用深度学习模型来进行逆动力学分析过程，具体采用何种类型的深度学习模型可以根据实际情况进行设置，此处优选采用生成对抗网络模型，以解决训练数据不足的问题。
[0118]
如图10所示，在本技术实施例的一种具体实现中，逆动力学分析模型的构建过程可以包括如下步骤：
[0119]
步骤s1001、获取目标关节的运动轨迹记录。
[0120]
步骤s1002、在运动轨迹记录中选取第二数目的运动轨迹点。
[0121]
其中，每个运动轨迹点均包括驱动力矩、关节速度和关节加速度。
[0122]
第二数目的具体取值可以根据实际情况进行设置，一般地，为了保证训练得到的模型的精准度，应尽量采集足够多的运动轨迹点。
[0123]
在进行采样时，可以根据实际情况采取不同的采样方式，包括但不限于随机采样以及均匀采样等等。
[0124]
步骤s1003、根据正动力学分析过程计算与每个运动轨迹点分别对应的关节角度。
[0125]
对于根据驱动力矩τ、关节速度和关节加速度求解关节角度λ的正动力学分析过程，可以根据实际情况选取现有技术中的任意一种正动力学分析方法，本实施例对此不再赘述。
[0126]
步骤s1004、构建第二训练样本集合。
[0127]
第二训练样本集合中包括第二数目的训练样本，每个训练样本均包括一组驱动力矩和对应的关节运动参数，关节运动参数包括关节角度、关节速度和关节加速度。
[0128]
步骤s1005、使用第二训练样本集合对初始状态的深度学习模型进行训练，并将训练后的深度学习模型作为逆动力学分析模型。
[0129]
此处优先采用生成对抗网络模型，该模型可以包括第二生成器和第二判别器。在训练过程中，对于第二训练样本集合中的每个训练样本，首先使用第二生成器对该样本的关节运动参数进行处理，得到第二生成结果，然后根据该样本的第二生成结果和驱动力矩，
使用第二判别器进行模型训练过程，最终得到已训练的逆动力学分析模型。
[0130]
在训练得到逆动力学分析模型之后，则可以通过如图11所示的过程进行机器人逆动力学分析：
[0131]
步骤s1101、获取目标关节的关节运动参数。
[0132]
步骤s1102、使用逆动力学分析模型对目标关节的关节运动参数进行处理，得到目标关节的驱动力矩。
[0133]
具体地，可以将关节运动参数输入至逆动力学分析模型中进行处理，并将逆动力学分析模型处理后的输出作为驱动力矩。
[0134]
在本技术实施例中，使用深度学习模型来进行逆动力学分析过程，相比于现有的数值法计算方法，有效降低了计算复杂度。
[0135]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0136]
对应于上文实施例所述的一种机器人运动分析方法，图12示出了本技术实施例提供的一种机器人运动分析装置的一个实施例结构图。
[0137]
本实施例中，一种机器人运动分析装置可以包括：
[0138]
第一关节角度获取模块1201，用于获取机器人的目标关节在并联构型下的第一关节角度；
[0139]
正运动学分析模块1202，用于使用预设的正运动学分析模型对所述第一关节角度进行处理，得到所述目标关节在串联构型下的第二关节角度；所述正运动学分析模型为由预设的第一训练样本集合训练得到的深度学习模型，且所述第一训练样本集合为根据逆运动学分析过程所构建的集合。
[0140]
在本技术实施例的一种具体实现中，所述机器人运动分析装置还可以包括：
[0141]
关节运动参数获取模块，用于获取所述目标关节的关节运动参数；
[0142]
逆动力学分析模块，用于使用预设的逆动力学分析模型对所述目标关节的关节运动参数进行处理，得到所述目标关节的驱动力矩；所述逆动力学分析模型为由预设的第二训练样本集合训练得到的深度学习模型，且所述第二训练样本集合为根据正动力学分析过程所构建的集合。
[0143]
在本技术实施例的一种具体实现中，所述机器人运动分析装置还可以包括：
[0144]
运动范围确定模块，用于确定所述目标关节在串联构型下的运动范围；
[0145]
串联关节角度选取模块，用于在所述运动范围中选取第一数目的串联关节角度；
[0146]
逆运动学分析模块，用于根据所述逆运动学分析过程计算与每个串联关节角度分别对应的并联关节角度；
[0147]
第一训练样本集合构建模块，用于构建所述第一训练样本集合；所述第一训练样本集合中包括第一数目的训练样本，每个训练样本均包括一组串联关节角度和对应的并联关节角度；
[0148]
正运动学分析模型训练模块，用于使用所述第一训练样本集合对初始状态的深度学习模型进行训练，并将训练后的深度学习模型作为所述正运动学分析模型。
[0149]
在本技术实施例的一种具体实现中，所述深度学习模型为包括第一生成器和第一
判别器的生成对抗网络模型；
[0150]
所述正运动学分析模型训练模块可以包括：
[0151]
第一生成器处理单元，用于对于所述第一训练样本集合中的每个训练样本，使用所述第一生成器对该样本的并联关节角度进行处理，得到第一生成结果；
[0152]
第一判别器处理单元，用于根据该样本的第一生成结果和串联关节角度，使用所述第一判别器进行模型训练过程。
[0153]
在本技术实施例的一种具体实现中，所述机器人运动分析装置还可以包括：
[0154]
运动轨迹记录获取模块，用于获取所述目标关节的运动轨迹记录；
[0155]
运动轨迹点选取模块，用于在所述运动轨迹记录中选取第二数目的运动轨迹点，其中，每个运动轨迹点均包括驱动力矩、关节速度和关节加速度；
[0156]
正动力学分析模块，用于根据所述正动力学分析过程计算与每个运动轨迹点分别对应的关节角度；
[0157]
第二训练样本集合构建模块，用于构建所述第二训练样本集合；所述第二训练样本集合中包括第二数目的训练样本，每个训练样本均包括一组驱动力矩和对应的关节运动参数；关节运动参数包括关节角度、关节速度和关节加速度；
[0158]
逆动力学分析模型训练模块，用于使用所述第二训练样本集合对初始状态的深度学习模型进行训练，并将训练后的深度学习模型作为所述逆动力学分析模型。
[0159]
在本技术实施例的一种具体实现中，所述深度学习模型为包括第二生成器和第二判别器的生成对抗网络模型；
[0160]
所述逆动力学分析模型训练模块可以包括：
[0161]
第二生成器处理单元，用于对于所述第二训练样本集合中的每个训练样本，使用所述第二生成器对该样本的关节运动参数进行处理，得到第二生成结果；
[0162]
第二判别器处理单元，用于根据该样本的第二生成结果和驱动力矩，使用所述第二判别器进行模型训练过程。
[0163]
在本技术实施例的一种具体实现中，所述正运动学分析模块具体用于将所述第一关节角度输入至所述正运动学分析模型中进行处理，并将所述正运动学分析模型处理后的输出作为所述第二关节角度。
[0164]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0165]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0166]
图13示出了本技术实施例提供的一种机器人的示意框图，为了便于说明，仅示出了与本技术实施例相关的部分。
[0167]
如图13所示，该实施例的机器人13包括：处理器130、存储器131以及存储在所述存储器131中并可在所述处理器130上运行的计算机程序132。所述处理器130执行所述计算机程序132时实现上述各个机器人运动分析方法实施例中的步骤。或者，所述处理器130执行所述计算机程序132时实现上述各装置实施例中各模块/单元的功能。
[0168]
示例性的，所述计算机程序132可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器131中，并由所述处理器130执行，以完成本技术。所
述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序132在所述机器人13中的执行过程。
[0169]
本领域技术人员可以理解，图13仅仅是机器人13的示例，并不构成对机器人13的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述机器人13还可以包括输入输出设备、网络接入设备、总线等。
[0170]
所述处理器130可以是中央处理单元(central processing unit，cpu)，还可以是其它通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑
programmable gate array，fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0171]
所述存储器131可以是所述机器人13的内部存储单元，例如机器人13的硬盘或内存。所述存储器131也可以是所述机器人13的外部存储设备，例如所述机器人13上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器131还可以既包括所述机器人13的内部存储单元也包括外部存储设备。所述存储器131用于存储所述计算机程序以及所述机器人13所需的其它程序和数据。所述存储器131还可以用于暂时地存储已经输出或者将要输出的数据。
[0172]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0173]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0174]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0175]
在本技术所提供的实施例中，应该理解到，所揭露的装置/机器人和方法，可以通过其它的方式实现。例如，以上所描述的装置/机器人实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0176]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显
示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0177]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0178]
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
[0179]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。