机器人的控制方法及系统、电子设备与流程

1.本技术涉及机器人控制技术领域，尤其涉及一种机器人的控制方法及系统、电子设备。


背景技术：

2.仿生机器人，是指模仿生物和从事生物特点工作的机器人，近年来已成为国内外的研发热点。目前的仿生机器人会采用可编程外形的机器人，通过在机器人的构造过程中设计机器人的外形结构，改变机器人运动过程中的特性。然而，这种机器人的控制精细度较低，因此无法灵活适应于多种复杂的应用环境。


技术实现要素：

3.本技术实施例的主要目的在于提出一种机器人的控制方法及系统、电子设备，旨在提高对机器人的控制精细度，从而灵活适应于多种复杂的应用环境。
4.为实现上述目的，本技术实施例的第一方面提出了一种机器人的控制方法，所述机器人包括m个生物运动单元，m为正整数，所述生物运动单元为采用生物材料的运动单元，所述方法包括：
5.获取对所述机器人采集到的运动状态信息；从所述运动状态信息中获取与所述生物运动单元相关的第一状态信息；将所述第一状态信息输入所述生物运动单元对应的孪生模型中进行仿真处理，得到仿真结果，其中，所述孪生模型用于建立所述生物运动单元的不同状态信息之间的映射关系；根据所述仿真结果和所述第一状态信息进行控制参数分析，得到第一控制参数；将所述仿真结果发送给所述第一控制器，并根据所述第一控制参数控制所述第一控制器工作，所述第一控制器用于根据所述仿真结果控制所述生物运动单元的运动形态。
6.在一些实施例中，所述将所述第一状态信息输入所述生物运动单元对应的孪生模型中进行仿真处理，得到仿真结果，包括：将所述第一状态信息分为输入状态信息以及参考状态信息；将所述输入状态信息输入所述生物运动单元对应的孪生模型中进行仿真处理，得到仿真状态信息；
7.所述根据所述仿真结果和所述第一状态信息进行控制参数分析，得到第一控制参数，包括：根据所述仿真状态信息和所述参考状态信息，生成偏差信息；获取所述生物运动单元对应的当前控制参数；根据所述偏差信息对所述当前控制参数进行调整，得到第一控制参数。
8.在一些实施例中，所述机器人还包括n个机电运动单元，n为正整数；所述获取对所述机器人采集到的运动状态信息之后，所述方法还包括：
9.根据所述运动状态信息，为所述第一控制器分配第一控制策略，并为第二控制器分配第二控制策略；将所述第一控制策略发送给所述第一控制器，所述第一控制器还用于根据所述第一控制策略控制所述生物运动单元工作；将所述第二控制策略发送给所述第二
控制器，所述第二控制器用于根据所述第二控制策略控制所述机电运动单元工作。
10.在一些实施例中，所述根据所述运动状态信息，为所述第一控制器分配第一控制策略，并为第二控制器分配第二控制策略，包括：
11.生成输入集合，所述输入集合包括多种输入向量，每种所述输入向量包括所述第一控制器对应的第一控制信息和所述第二控制器对应的第二控制信息；根据所述输入集合、所述运动状态信息和预设的损失函数，计算每种所述输入向量对应的损失值；从所述输入集合中获取损失值最小的输入向量，以作为目标向量；取所述目标向量中包括的第一控制信息作为所述第一控制器的第一控制策略，并取所述目标向量中包括的第二控制信息作为所述第二控制器的第二控制策略。
12.在一些实施例中，所述方法还包括：获取对所述机器人所处环境采集到的环境信息；根据所述环境信息进行运动规划，得到所述机器人的运动规划信息；
13.所述根据所述运动状态信息，为所述第一控制器分配第一控制策略，并为第二控制器分配第二控制策略，包括：根据所述运动状态信息，并结合所述运动规划信息，为所述第一控制器分配第一控制策略，并为第二控制器分配第二控制策略。
14.在一些实施例中，所述运动规划信息包括所述生物运动单元对应的第一驱动模式、所述机电运动单元对应的第二驱动模式和运动约束条件；所述根据所述环境信息进行运动规划，得到所述机器人的运动规划信息，包括：
15.根据所述环境信息，分析当前应用场景；获取与所述当前应用场景匹配的运动形态信息，所述运动形态信息用于确定所述机器人的目标运动形态；根据所述运动形态信息，获取所述生物运动单元对应的第一驱动模式和所述机电运动单元对应的第二驱动模式，其中，当所述生物运动单元以所述第一驱动模式工作且所述机电运动单元以所述第二驱动模式工作时，所述机器人以所述目标运动形态运动；根据所述运动形态信息，生成所述运动约束条件。
16.在一些实施例中，所述机电运动单元包括支撑部和传动部，所述支撑部与所述传动部连接，所述传动部与所述第二控制器连接，所述支撑部通过第一基底部与所述生物运动单元连接。
17.为实现上述目的，本技术实施例的第二方面提出了一种机器人的控制系统，所述机器人包括m个生物运动单元，m为正整数，所述生物运动单元为采用生物材料的运动单元，所述系统包括：
18.协同控制器，用于获取对所述机器人采集到的运动状态信息；从所述运动状态信息中获取与所述生物运动单元相关的第一状态信息；将所述第一状态信息输入所述生物运动单元对应的孪生模型中进行仿真处理，得到仿真结果，其中，所述孪生模型用于建立所述生物运动单元的不同状态信息之间的映射关系；根据所述仿真结果和所述第一状态信息进行控制参数分析，得到第一控制参数；将所述仿真结果发送给所述第一控制器，并根据第一控制参数控制第一控制器工作；
19.第一控制器，用于根据所述仿真结果控制生物运动单元的运动形态。
20.在一些实施例中，所述机器人还包括n个机电运动单元，n为正整数，所述系统还包括第二控制器，其中：
21.所述协同控制器，还用于根据所述运动状态信息，为所述第一控制器分配第一控
制策略，并为第二控制器分配第二控制策略；将所述第一控制策略发送给所述第一控制器，并将所述第二控制策略发送给所述第二控制器；
22.所述第一控制器，还用于根据所述第一控制策略控制所述生物运动单元工作；
23.所述第二控制器，用于根据所述第二控制策略控制所述机电运动单元工作。
24.为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法。
25.为实现上述目的，本技术实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面的方法。
26.本技术提出的机器人的控制方法及系统、电子设备中，机器人包括m个生物运动单元，且生物运动单元为采用生物材料的运动单元。基于此，预先根据生物材料的生物特质及运动特性构建生物运动单元对应的孪生模型，以建立生物运动单元的不同状态信息之间的映射关系，则在实际应用中，从对机器人采集的运动状态信息中获取与生物运动单元相关的第一状态信息，可以将第一状态信息输入孪生模型中进行仿真处理以得到仿真结果，从而根据仿真结果和第一状态信息分析出第一控制参数，以便于根据第一控制参数控制第一控制器工作，因此能够根据生物运动单元实际反馈的状态信息对第一控制器的控制参数进行动态更新，并同时将生物材料的变化特性应用到控制参数的具体更新策略中，使得第一控制器驱动生物运动单元展现出多种仿生且柔性的运动形态，提高了对机器人的控制精细度，进而灵活适应于多种复杂的应用环境。
附图说明
27.图1是本技术实施例中一种机器人的控制系统的应用示意图；
28.图2是本技术实施例中一种机器人的控制方法的流程示意图；
29.图3是本技术实施例中一种分配控制策略的流程示意图；
30.图4是图3中步骤s310的一种具体流程示意图；
31.图5是本技术实施例提供的机器人的控制系统的结构示意图；
32.图6是本技术实施例提供的电子设备的硬件结构示意图。
具体实施方式
33.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
34.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
35.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的
技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
36.首先，对本技术中涉及的名词进行解析：
37.孪生模型，用于以数字化方式在虚拟空间呈现物理对象，即以数字化方式为物理对象创建虚拟模型，模拟其在现实环境中的行为特征。一般而言，孪生模型的构建方式可以为：基于生物机理构建一组输入输出关系，再通过对输入输出关系进行近似简化，即可得到应用于实际工程的简化模型。
38.仿生机器人，是指模仿生物和从事生物特点工作的机器人，近年来已成为国内外的研发热点。目前的仿生机器人会采用可编程外形的机器人，通过在机器人的构造过程中设计机器人的外形结构，改变机器人运动过程中的特性。然而，这种机器人的控制精细度较低，因此无法灵活适应于多种复杂的应用环境。
39.基于此，本技术实施例提供了一种机器人的控制方法及系统、电子设备，旨在提高对机器人的控制精细度，从而灵活适应于多种复杂的应用环境。
40.本技术实施例提供的机器人的控制方法及系统、电子设备，具体通过如下实施例进行说明，首先描述本技术实施例中的机器人的控制方法。
41.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。本技术实施例提供的机器人的控制方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现机器人的控制方法的应用等，但并不局限于以上形式。
42.本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
43.为了方便理解，下面先对本技术实施例所适用的机器人进行说明。本技术实施例中，机器人包括m个生物运动单元，m为正整数。每个生物运动单元可分布在不同区域，且m的取值可以由人为指定及调整，均不做具体限定。生物运动单元为采用生物材料的运动单元，具体的，生物运动单元可以包括生物驱动器和第二基底部，生物驱动器与第二基底部连接以响应于外界的驱动信号驱动第二基底部呈现不同的运动形态。其中，生物驱动器包括但不限于肌肉细胞、背部脉管组织、肌肉微管和其他生物活体细胞等，第二基底部可以包括但
不限于玻璃和柔性有机材料等。基于此，实际应用中，通过分别驱动每个生物运动单元，则这些分布在不同区域且呈现不同运动形态的生物运动单元协同工作，形成以特定形态或步态运动的机器人，能够充分利用生物材料的生物特质及运动特性，结合材料学、工程学等先进加工制造技术，实现“源于自然、高于自然”的机器人仿生效果，从而在复杂限域空间展现出适应性和运动能力。
44.一些可选的实施方式中，机器人还可以包括n个机电运动单元，n为正整数，且n的取值可以由人为指定及调整，对此不做限定。机电运动单元可以为采用机械体的运动单元，可选的，机电运动单元包括机械体和机电驱动器，机电驱动器用于驱动机械体运动，且机电驱动器可以采用压电陶瓷、微型磁动器件和微型电机等，亦不做具体限定。实际应用中，根据需求将生物运动单元与机电运动单元连接，并控制机电运动单元工作，则生物运动单元与机电运动单元可以协同工作，使得机器人实现更加多样化的运动形态。
45.基于上述机器人，本技术实施例可以应用于一种机器人的控制系统。请参阅图1，图1是本技术实施例中一种机器人的控制系统的应用示意图。如图1所示，该控制系统可以包括协同控制器和第一控制器，应当理解的是，这仅为一种示例，不对该控制系统中控制器及机器人中运动单元的数量及类型构成限定。其中，协同控制器与第一控制器连接，第一控制器与相应的生物运动单元连接。协同控制器用于对控制系统中各个控制器进行协同控制，也可以调整第一控制器的控制参数。第一控制器用于控制相应生物运动单元的运动形态。可选的，若机器人还包括机电运动单元，则该控制系统还可以包括第二控制器，协同控制器与第二控制器连接，且协同控制器可以调整第二控制器的控制参数，第二控制器与相应的机电运动单元连接以控制机电运动单元运动。
46.可以理解，一些实现方式中，该控制系统包括m个第一控制器和n个第二控制器，则每个第一控制器与不同生物运动单元连接，每个第二控制器与不同机电运动单元连接。
47.一些可选的实施方式中，第一控制器和第二控制器均可以采用比例积分(proportional integral controller，pi)控制器。
48.一些可选的实施方式中，机电运动单元可以包括支撑部和传动部，支撑部与传动部连接。第一控制器与传动部连接以控制传动部运动，使得传动部带动支撑部运动。支撑部通过第一基底部与生物运动单元连接，实现生物运动单元与机电运动单元通过机械连接耦合。其中，第一基底部可以采用玻璃和柔性有机材料等，不做具体限定。
49.基于上述机器人的控制系统，请参阅图2，图2是本技术实施例中一种机器人的控制方法的流程示意图，图2中的方法可以应用于上述协同控制器，且该控制方法可以包括但不限于包括步骤s210至步骤s250。
50.步骤s210：获取对机器人采集到的运动状态信息。
51.在本技术实施例中，运动状态信息包括但不限于机器人的位置、运动速度(包括线速度和角速度等)和受力信息等。可以理解，根据不同的应用场景，可以灵活调整运动状态信息中包含的信息类型，对此不做具体限定。具体的，采集运动状态信息的方式包括但不限于：利用可见光、荧光或红外等摄像头采集图像，并利用机器视觉识别方法从图像中分析位置信息等；利用设于机器人的外部接触式力传感器采集受力信息，利用微型加速度传感器和外部巨磁阻抗传感器等采集速度信息，利用肌电传感器和微电极传感器等采集生物运动单元的状态信息。
52.基于此，实际应用中，可以对每个生物运动单元分别执行以下步骤s220至s250。
53.步骤s220：从运动状态信息中获取与生物运动单元相关的第一状态信息。
54.在本技术实施例中，第一状态信息的信息类型与生物运动单元所采用的生物材料相关，以便实现针对性的反馈状态分析，比如，如果生物运动单元为肌肉运动单元(即采用肌肉细胞的运动单元)，则可以从运动状态信息中筛选出运动速度和受力信息等。
55.步骤s230：将第一状态信息输入生物运动单元对应的孪生模型中进行仿真处理，得到仿真结果。
56.在本技术实施例中，孪生模型用于建立生物运动单元的不同状态信息之间的映射关系。一种可选的实施方式中，孪生模型的构建方式可以为：获取多个训练样本，训练样本包括驱动信号和输出信息，输出信息为将驱动信号输入生物运动单元后对生物运动单元采集到的状态信息，可以理解，驱动信号和输出信息均可采用与生成材料的生物特质相关的内禀参数，比如，对于肌肉而言，这些内禀参数包括但不限于肌肉收缩并产生最大力时肌肉收缩元素(ce)的长度、决定力与长度关系曲线的参数等。利用训练样本对初始预测模型进行训练处理，得到孪生模型，初始预测模型可以采用基于线性回归模型、逻辑回归模型、决策树模型或人工神经网络等，对此不做具体限定。
57.以肌肉运动单元为例进行说明。肌肉运动单元对应的孪生模型可以采用基于hill模型的肌腱(mtc)模型，已知肌腱模型包含肌肉收缩元素(ce)、肌肉并联弹性元素(pee)、肌肉串联弹性元素(see)和肌肉串联阻尼元素(sde)，这四种元素之间存在力平衡关系：
58.f
ce
f
pee
＝f
see
f
sde
，f
ce
为肌肉收缩元素对应的受力值，f
pee
为肌肉并联弹性元素对应的受力值，f
see
为肌肉串联弹性元素对应的受力值，f
sde
为肌肉串联阻尼元素对应的受力值。
59.此时，在对孪生模型进行训练的过程中，可以取肌肉激活系数q、肌肉运动单元对应的肌腱整体长度l
mtc
以及肌腱速度i
mtc
作为驱动信号，并取f_see、f_pee、f_ce、f_sde、f_mtc、ce长度l
ce
以及ce速度i
ce
作为输出信息。肌肉激活系数q表示肌肉的激活状态，可以根据任务需求和实际经验进行调整，且q0≤q≤1，q0表示肌肉被激活时对应的最小激活系数。肌腱速度i
mtc
为肌腱整体长度l
mtc
的导数，ce速度i
ce
为ce长度l
ce
的导数。
60.步骤s240：根据仿真结果和第一状态信息进行控制参数分析，得到第一控制参数。
61.在本技术实施例中，仿真结果表示生物运动单元的期望运动状态，第一状态信息表示生物运动单元的实际运动状态，通过对仿真结果和第一状态信息的对比分析，得到对比结果，进而根据对比结果与控制参数之间的转换关系，获得对比结果对应的第一控制参数，实现对控制参数的调整。
62.步骤s250：将仿真结果发送给第一控制器，并根据第一控制参数控制第一控制器工作，第一控制器用于根据仿真结果控制生物运动单元的运动形态。
63.可见，通过上述步骤s210至s250，能够根据生物运动单元实际反馈的状态信息对第一控制器的控制参数进行动态更新，并同时将生物材料的变化特性应用到控制参数的具体更新策略中，使得第一控制器驱动生物运动单元展现出多种仿生且柔性的运动形态，提高了对机器人的控制精细度，进而灵活适应于多种复杂的应用环境。
64.在一些实施例的步骤s230中，步骤s230可以包括但不限于以下步骤：
65.首先，将第一状态信息分为输入状态信息以及参考状态信息。其中，输入状态信息
用于输入孪生模型中进行仿真处理，参考状态信息用于与孪生模型输出的状态信息进行对比，根据实际需要，可以灵活调整输入状态信息和参考状态信息分别包含的信息类型。也就是说，若第一状态信息包括s0(s0为正整数)种状态信息，则输入状态信息可以包括第一状态信息中的s1(s1为正整数)种状态信息，参考状态信息包括第一状态信息中除输入状态信息之外的状态信息，s1＜s0。示例性的，如果第一状态信息包括肌肉激活系数q、肌腱速度i
mtc
、肌腱整体长度l
mtc
、f_see、f_pee、f_ce、f_sde、f_mtc、ce长度l
ce
以及ce速度i
ce
，则输入状态信息可包括肌肉激活系数q、肌腱整体长度l
mtc
和肌腱速度i
mtc
，参考状态信息可包括f_see、f_pee、f_ce、f_sde、f_mtc、ce长度l
ce
和ce速度i
ce
。
66.之后，将输入状态信息输入生物运动单元对应的孪生模型中进行仿真处理，得到仿真状态信息。相应的，步骤s240可以包括但不限于以下步骤：根据仿真状态信息和参考状态信息，生成偏差信息。获取生物运动单元对应的当前控制参数，从而根据偏差信息对当前控制参数进行调整，得到第一控制参数。
67.具体来说，当前控制参数可以为第一控制器对应的控制参数，第一控制器可以采用pi控制器，则第一控制器的控制模型满足：
68.u(t)为第一控制器输出的控制信息，第一控制器将上述控制信息输入生物运动单元以驱动生物运动单元改变运动形态。当前控制参数包括kp和ki，kp为第一控制器的p参数，ki为第一控制器的i参数，e(t)为仿真结果，t表示时间。
69.可见，根据孪生模型对生物组织与环境作用效果进行仿真的结果与机器人实际运动时的状态信息，确定两者的偏差，从而利用偏差更新第一控制器的控制参数，有利于减小系统的稳态误差，提高控制精度，使得机器人的实际运动形态更贴近真实需求。
70.在一些可选的实施方式中，机器人还可以包括n个机电运动单元。请参阅图3，图3是本技术实施例中一种分配控制策略的流程示意图。如图3所示，在步骤s210之后，可以包括但不限于以下步骤s310至s330。
71.步骤s310：根据运动状态信息，为第一控制器分配第一控制策略，并为第二控制器分配第二控制策略。
72.在本技术实施例中，第一控制策略和第二控制策略可以分别包括不同的功率控制信息以及其他控制信息等，而上述控制策略可以是条件式且非线性的，也可以是线性的，均不做具体限定。具体来说，步骤s310中，还可以从运动状态信息中获取与机电运动单元相关的第二状态信息，再根据第一状态信息和第二状态信息，为第一控制器分配第一控制策略，并为第二控制器分配第二控制策略。也就是说，通过将生物运动单元和机电运动单元反馈的实际状态信息相结合，适应性地分配对生物运动单元和机电运动单元的控制策略，能够改善机器人运动时的整体协调性以及对复杂环境的适配性。
73.一些可选的实施方式中，还可以获取对机器人所处环境采集到的环境信息，并根据环境信息进行运动规划，得到机器人的运动规划信息。其中，环境信息可以包括但不限于障碍物位置、大小以及障碍物与机器人之间的距离和接触力等，可选的，采集环境信息的方式包括但不限于：利用设于机器人的拍摄装置拍摄机器人所处环境的环境图像，并通过图像识别技术从环境图像中识别出障碍物及其位置和大小等信息，以适用于需要机器人绕开
障碍物前行等场合；利用设于机器人的力传感器检测机器人与障碍物之间的接触力，以适用于需要机器人以某种柔性特征推动物体等场合。
74.可选的，环境信息可以包括至少一种环境参数(比如上述障碍物位置和大小等)，根据环境信息进行运动规划的方式可包括但不限于以下步骤：根据每种环境参数的信息类型，获取该信息类型对应的评价函数，评价函数用于评价环境参数与该信息类型对应的预设参数之间的偏差程度。之后，再根据评价函数计算环境参数对应的第一评价结果，从而根据第一评价结果生成该环境参数对应的规划信息，可以理解，运动规划信息包括所有环境参数各自对应的规划信息。示例性的，假设环境参数为障碍物距离a，预设参数为距离b，若a《b，则在规划信息中为机器人指定新的前进方向，若a＞b，则在规划信息中为机器人指定原前进方向。
75.基于此，步骤s310中，具体可以根据运动状态信息，并结合运动规划信息，为第一控制器分配第一控制策略，并为第二控制器分配第二控制策略，从而在分配控制策略时同时考虑机器人的运动规划及其反馈的状态信息，有利于进一步提升机器人的实际运动状态与对机器人的控制策略之间的匹配性。
76.进一步的，一些可选的实施方式中，运动规划信息包括生物运动单元对应的第一驱动模式、机电运动单元对应的第二驱动模式和运动约束条件。相应的，根据环境信息进行运动规划，得到机器人的运动规划信息，具体可包括但不限于以下步骤：
77.首先，根据环境信息，分析当前应用场景。可选的，还可以获取输入协同控制器的任务指令，并结合环境信息和任务指令分析当前应用场景，比如，若环境信息为水下环境，任务指令用于指示机器人执行摆动动作，则当前应用场景为水下位姿调整。
78.之后，获取与当前应用场景匹配的运动形态信息，运动形态信息用于确定机器人的目标运动形态。
79.最后，一方面，根据运动形态信息，获取生物运动单元对应的第一驱动模式和机电运动单元对应的第二驱动模式，其中，当生物运动单元以第一驱动模式工作且机电运动单元以第二驱动模式工作时，机器人以目标运动形态运动。第一驱动模式用于确定生物运动单元采取的运动姿态(或者一系列运动姿态)，第二驱动模式用于确定机电驱动单元采取的运动姿态(或者一系列运动姿态)。
80.另一方面，根据运动形态信息，生成运动约束条件，其中，运动约束条件用于指定分配控制策略时的条件或参数取值范围等。
81.可见，针对不同应用场景，通过分别为生物运动单元和机电运动单元匹配合适的驱动模式并设定适配该应用场景的运动约束条件，能够实现在多种复杂应用场景下对机器人进行可靠稳定的运动规划和控制。
82.一些可选的实现方式中，本技术实施例所应用的应用场景及其对应的运动形态信息、驱动模式和运动约束信息可以包括但不限于下表1所示的内容。
83.表1应用场景、运动形态信息、驱动模式和运动约束信息对应表
[0084][0085]
进一步的，一些可选的实施方式中，请参阅图4，图4是图3中步骤s310的一种具体流程示意图。如图4所示，步骤s310可以包括但不限于以下步骤s311至s314：
[0086]
步骤s311：生成输入集合，输入集合包括多种输入向量，每种输入向量包括第一控制器对应的第一控制信息和第二控制器对应的第二控制信息。
[0087]
步骤s312：根据输入集合、运动状态信息和预设的损失函数，计算每种输入向量对应的损失值。
[0088]
步骤s313：从所有输入向量中获取损失值最小的输入向量，以作为目标向量。
[0089]
步骤s314：取目标向量中包括的第一控制信息作为第一控制器的第一控制策略，并取目标向量中包括的第二控制信息作为第二控制器的第二控制策略。
[0090]
实际应用中，为了策略分配的最优化，可以构建策略分配模型，并基于以下策略分配模型进行策略分配：
[0091]
u_opt＝argminl({m_b},{m_m},s,e,{u})，其中，{m_b}为包含所有第一控制器所对应控制模型的集合，{m_m}为包含所有第二控制器所对应控制模型的集合，s表示运动状态信息，e表示环境信息，{u}表示输入集合，u_opt为目标向量，argminl函数表示从输入集合中筛选出损失函数最小时对应的输入向量作为目标向量。预设的损失函数可以为0-1损失函数、绝对值损失函数、对数损失函数、指数损失函数和hinge损失函数等任一种，可以根据实际需求进行选择和调整，在此不再赘述。
[0092]
具体的，一些可选的实施方式中，第一控制策略包括第一控制器的第一功率，第二控制策略包括第二控制器的第二功率，运动状态信息包括机器人的阻抗信息，阻抗信息通过对机器人进行阻抗控制获得，且阻抗信息用于表示机器人末端接触力和参考力之差与参考轨迹和实际轨迹之差的关系，则，可以根据预设的阻抗-刚性转换关系以及阻抗信息确定环境刚性，并根据环境刚性确定第一控制器的第一功率和第二控制器的第二功率。其中，第一功率与环境刚性满足正比关系，即，环境刚性越大，第一功率越大，否则，第一功率越小，使得机器人在整体上呈现更多样的生物柔性特征，以适应环境的刚性。可选的，第一功率与第二功率之比也可以与环境刚性满足正比关系，即，环境刚性越大，第一功率与第二功率之比越大，否则，第一功率与第二功率之比越小。
[0093]
另一些可选的实施方式中，预设的损失函数l(t)可以为：
[0094]
l(t)＝(y(p1(t),p2(t))-s(t))2，其中，y(p1(t),p2(t))表示t时刻的环境刚性，s(t)为t时刻期望控制系统达到的刚性，p1(t)表示生物运动单元在t时刻对应的输出功率，
p2(t)表示机电运动单元在t时刻对应的输出功率，且y(p1(t),p2(t)＝c1*p1(t) c2*p2(t)，c1和c2为实验测量的系统常数，c1》0，c2》0。
[0095]
也就是说，只需求解损失函数l(t)的最小值，可以获得当前时刻的目标控制输入u_opt。
[0096]
步骤s320：将第一控制策略发送给第一控制器，第一控制器还用于根据第一控制策略控制生物运动单元工作。
[0097]
步骤s330：将第二控制策略发送给第二控制器，第二控制器用于根据第二控制策略控制机电运动单元工作。
[0098]
请参阅图5，本技术实施例还提供一种机器人的控制系统，其中，机器人包括生物运动单元，生物运动单元为采用生物材料的运动单元，该系统包括协同控制器501和第一控制器502，其中：
[0099]
协同控制器501，用于获取对机器人采集到的运动状态信息；从运动状态信息中获取与生物运动单元相关的第一状态信息；将第一状态信息输入生物运动单元对应的孪生模型中进行仿真处理，得到仿真结果，其中，孪生模型用于根据生物材料建立生物运动单元的不同状态信息之间的映射关系；根据仿真结果和第一状态信息进行控制参数分析，得到第一控制参数；将第一控制参数发送给第一控制器。
[0100]
第一控制器502，用于根据第一控制参数控制生物运动单元工作。
[0101]
一些可选的实施方式中，系统还包括第二控制器503，其中：
[0102]
协同控制器501，还用于根据运动状态信息，为第一控制器分配第一控制策略，并为第二控制器分配第二控制策略；将第一控制策略发送给第一控制器，并将第二控制策略发送给第二控制器；
[0103]
第一控制器502，还用于根据第一控制策略控制生物运动单元工作；
[0104]
第二控制器503，用于根据第二控制策略控制机电运动单元工作。
[0105]
可以理解，该机器人的控制系统的具体实施方式与上述机器人的控制方法的具体实施例基本相同，在此不再赘述。
[0106]
本技术实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述机器人的控制方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
[0107]
请参阅图6，图6示意了另一实施例的电子设备的硬件结构，电子设备包括：
[0108]
处理器601，可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术实施例所提供的技术方案；
[0109]
存储器602，可以采用只读存储器(read only memory，rom)、静态存储设备、动态存储设备或者随机存取存储器(random access memory，ram)等形式实现。存储器602可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器602中，并由处理器601来调用执行本技术实施例的机器人的控制方法；
[0110]
输入/输出接口603，用于实现信息输入及输出；
[0111]
通信接口604，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信；
[0112]
总线605，在设备的各个组件(例如处理器601、存储器602、输入/输出接口603和通信接口604)之间传输信息；
[0113]
其中处理器601、存储器602、输入/输出接口603和通信接口604通过总线605实现彼此之间在设备内部的通信连接。
[0114]
本技术实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述机器人的控制方法。
[0115]
本技术实施例描述的实施例是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
[0116]
本领域技术人员可以理解的是，图1-6中示出的技术方案并不构成对本技术实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
[0117]
以上所描述的装置实施例仅仅是示意性的，其中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，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模块来实现本实施例方案的目的。
[0118]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
[0119]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0120]
以上参照附图说明了本技术实施例的优选实施例，并非因此局限本技术实施例的权利范围。本领域技术人员不脱离本技术实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本技术实施例的权利范围之内。