一种基于多传感器信息仿人机器人跌倒状态检测方法
【专利摘要】本发明公开了基于多传感器仿人机器人跌倒状态检测方法，该方法包括：通过融合机器人当前的步行状态，姿态信息和ZMP点位置信息，利用模糊决策系统对机器人当前稳定性进行判定。判定结果包括9种状态：可控状态，向前跌倒，向后跌倒，向左跌倒，向右跌倒，向左前跌倒，向左后跌倒，向右前跌倒和向右后跌倒。该方法适用于仿人机器人在快要摔倒的时候，判断仿人机器人是否处于可控状态，并在机器人不可控时获得仿人机器人摔倒的方向，从而为仿人机器人产生相应的保护动作提供依据。本发明能够真实的反映出机器人运动的稳定情况，可靠性和判定准确率较高。
【专利说明】一种基于多传感器信息仿人机器人跌倒状态检测方法
【技术领域】
[0001] 本发明涉及仿人机器人状态检测【技术领域】，具体涉及一种基于多传感器信息仿人 机器人跌倒状态检测方法。
【背景技术】
[0002] 在仿人机器人步行的时候，需要时刻对仿人机器人的稳定状态进行判定。当机器 人有跌倒的倾向的时候，需要通过反馈控制相应的关节来阻止机器人摔倒。当机器人已经 快要摔倒时，此时机器人的状态已超出了可控的范围，需要让机器人以损伤最小的姿态倒 地。
[0003] 只有获得机器人跌倒时的真实运动状态，才能实施有效的控制策略来防止机器人 跌倒或在跌倒时采取保护措施来防止机器人损伤。判定机器人当前的状态是否可控，即是 否要跌倒以及机器人跌倒的方向，需要一个复杂的判定过程。目前也有一些研究对机器人 摔倒状态进行了研究。
[0004] 由于机器人在行走过程中会影响姿态传感器信息，所以只利用姿态信息来进行机 器人稳定性和可控性的判定是不全面的。如果只依据ZMP点位置信息也不可行，因为只有 机器人的脚底和地面完全接触，才能利用FSR传感器得到有效的ZMP信息。因此，采用一个 综合的判定方法能大大增加判定的准确率，加快整个判定过程。
【发明内容】
[0005] 为解决上述相关技术的不足，本发明提出了基于多传感器信息仿人机器人跌倒状 态检测方法，利用机器人的步行阶段信息，姿态信息和ZMP点位置信息综合判定机器人稳 定性的方法。使用该方法能够实时地融合机器人步态阶段信息，姿态信息和ZMP点位置信 息，并利用模糊决策系统对机器人当前稳定性和可控性进行快速判定，即可实现机器人在 活动状态或静止状态下的稳定性和可控性判定，机器人使用这种检测方法可以快速判定机 器人是否可控，即是否要跌倒和将要跌倒的方向，为机器人下一步动作提供参考。
[0006] 本发明提供一种分层式的仿人机器人多传感器信息融合模型，该系统能判定机器 人综合的稳定性，包含如下步骤：
[0007] (1)通过对姿态传感器信息、零力矩点ZMP传感器信息和机器人步行阶段信息进 行融合，建立分层结构的传感器信息融合模型，从而实现仿人机器人稳定性判定；
[0008] (2)利用模糊决策系统将输入的步行阶段、姿态信息、ZMP点位置信息进行融合分 析，得出最终的对机器人稳定状态的判定；其中，把机器人步行阶段作为模糊决策系统输入 之一；把仿人机器人姿态信息作为模糊决策系统输入之一；把ZMP点位置信息作为模糊决 策系统输入之一。
[0009] 进一步的，步骤（1)所述分层结构的传感器信息融合模型包括低层数据层信息融 合模型和高层决策层融合模型，其中低层数据层信息融合模型分别是步行阶段融合模型、 姿态传感器信息融合模型和FSR传感器信息计算模型；高层决策层融合模型完成对机器人 稳定性进行综合判定：根据融合后的姿态信息、ZMP信息和机器人行走的步行阶段数据共 同建立模糊决策系统，模糊决策系统用来判定机器人是否处于不可控的状态，从而为机器 人控制提供决策的依据。
[0010] 进一步的，步骤（2)所述的模糊决策系统的判定过程是：将步行阶段信息、姿态信 息和ZMP点位置信息作为模糊决策的输入，通过模糊决策后得到5种判定结果作为输出： 可控状态，向左倒下，向右倒下，向前倒下，向后倒下；由于判定机器人是否前后倒下，主要 和前后方向的姿态信息和前后方向的ZMP点位置信息有关，和左右方向的数据没有太大关 系；同理左右方向上的姿态信息和左右方向上的ZMP点位置和前后方向的数据也没有太大 关系；所以前后方向倒和左右方向倒的判定，分用前后模糊决策系统和左右模糊决策系统 来完成。
[0011] 进一步的，所述前后模糊决策系统判定机器人在前后方向的稳定性，具体步骤如 下：
[0012] ①根据机器人支撑脚和地面之间的接触情况与离线步态规划确定机器人步行阶 段；
[0013] ②利用模糊推理算法对ZMP点位置信息进行模糊化；
[0014] ③利用模糊推理算法对机器人的俯仰角进行模糊化；
[0015] ④确定输出隶属函数；
[0016] ⑤根据步骤①?步骤④确定模糊推理规则；
[0017] ⑥去模糊化；
[0018] 所述左右模糊决策系统判定机器人在左右方向的稳定性，具体步骤如下：
[0019] ①根据机器人支撑脚和地面之间的接触情况与离线步态规划确定机器人步行阶 段；
[0020] ②利用模糊推理算法对ZMP点位置信息进行模糊化；
[0021] ③利用模糊推理算法对机器人的绕X轴滚动角进行模糊化；
[0022] ④确定输出隶属函数；
[0023] ⑤根据步骤①?步骤④确定模糊推理规则；
[0024] ⑥去模糊化。
[0025] 进一步的，步骤（2)所述机器人步行阶段根据离线步态规划和力传感记录单元 FSR(force sensing register)传感器信息来确定。
[0026] 进一步的，步骤（2)中的仿人机器人姿态信息由姿态传感器采集得到，其中仿人 机器人姿态信息是通过加速度传感器和角速度传感器共同获得。
[0027] 进一步的，步骤（2)中的ZMP点位置信息由FSR传感器采集得到，根据安装在机器 人脚底FSR传感器计算出机器人双脚支撑阶段和单脚支撑阶段的ZMP位置。
[0028] 与现有技术相比，本发明具有以下优点：
[0029] (1)针对仿人机器人稳定行走提供一种分层的多传感器信息融合框架，根据各种 传感器数据的特点进行数据层、特征层和决策层的数据融合，能够真实的反映出机器人运 动的稳定情况。
[0030] (2)采用模糊决策系统对机器人稳定性进行判定，提高可靠性。
[0031] (3)融合了多种机器人相关状态信息进行判定，提高判定准确率。
【专利附图】
【附图说明】
[0032] 图1为仿人机器人稳定判定整体流程图。
[0033] 图2为仿人机器人模糊决策判定图。
[0034] 图3为仿人机器人步行阶段确定流程流程图。
[0035] 图4为支撑脚尺寸示意图。
[0036] 图5为双脚支撑8个FSR传感器安装位置示意图。
[0037] 图6为隶属函数图形。
[0038] 图7为Θ隶属函数图形。
[0039] 图8为·斗1η隶属函数图形。
[0040] 图9为Φ隶属函数图形。
[0041] 图10为前后推倒仿人机器人姿态曲线。
[0042] 图11为前后推倒仿人机器人h|曲线。
[0043] 图12为前后推倒机器人实验判定结果图。
[0044] 图13为仿人机器人前进摔倒姿态曲线图。
[0045] 图14为仿人机器人前进摔倒ΔΖ/W丨u]曲线。
[0046] 图15为前进摔倒机器人实验判定结果图。
[0047] 图16为实施方式中卡尔曼滤波整个过程的示意图。
【具体实施方式】
[0048] 下面结合附图详细说明本发明的【具体实施方式】，但本发明的实施和保护不限于 此，需指出的是，以下若有未特别详细说明的符号或过程，均是本领域技术人员可参照现有 技术实现的。
[0049] (1)在仿人机器人步行过程中建立一个机器人多传感器信息融合模型，为机器人 的控制提供信息和判定结果，从而能使控制器控制仿人机器人稳定的行走及在倒地时可以 做出保护动作。根据传感器信息融合的特点，本发明提出一种分层结构的传感器信息融合 模型实现对仿人机器人步行过程稳定性判定。见附图1。
[0050] 其中加速度传感器和角速度传感器安装在机器人髋关节处。FSR传感器安装在机 器人脚底，其中每只脚底安装4个FSR传感器，共8片FSR传感器。
[0051] (2)建立低层数据层传感器信息融合模型，其中包括步行阶段融合模型、姿态传感 器信息融合模型和FSR传感器信息计算模型。
[0052] 1)步行阶段融合模型。仿人机器人步行阶段确定的过程具体如下：首先根据离线 的步态规划确定出机器人是处于单脚支撑阶段还是双脚支撑阶段。如果是处于单脚支撑 阶段，判定支撑脚上的4个FSR传感器的数据是否有为0的情况，如果有FSR数据为0,则 说明支撑脚和地没有进行面接触，定义这种情况为单脚非面接触支撑阶段；如果支撑脚上 所有FSR的数据都不为0,则说明支撑脚和地是面接触，定义这种情况为单脚面接触支撑阶 段。如果是处于双脚支撑阶段，判定支撑脚上4个外侧点的FSR传感器数据是否有数据为 〇,若有数据为〇,则说明支撑脚和地没有进行面接触，定义这种情况为双脚非面接触支撑阶 段；如果所有的外侧点的FSR传感器数据都不为0,则说明支撑脚和地是面接触，定义这种 情况为双脚面接触支撑阶段。具体的流程可见附图3。
[0053] 2)姿态传感器信息融合模型。针对姿态传感器信息融合方法，选择加速度传感器 ADXL204和角速度传感器IDG300作为仿人机器人的姿态传感器。并建立了加速度传感器和 角速度传感器的卡尔曼滤波方程。整个卡尔曼滤波方法过程描述如下（以下仅仅为举例）：
[0054] ①被估计的过程信号
[0055] 卡尔曼滤波器用于估计离散时间过程的状态变量X e Rn。这个离散时间过程可由 离散的随机差分方程来进行描述：
[0056] Xk= Φ^-Α^+Γ^Λ-ι
[0057] 观测方程描述如下：
[0058] Zk = HkXk+Vk
[0059] 其中，Xk是系统的η维状态向量，Φ,μ为ηΧη维非奇异状态转移矩阵；Γ, η是 ηΧρ维系统过程噪声输入矩阵；Hk是mXn维观测矩阵；随机信号Wk和Vk分别表示随机过 程系统过程噪声序列和随机过程系统观测噪声序列。它们为相互独立，正态分布的白色噪 声：
[0060] ffk-N(0,Qk)
[0061] Vk-N(0, Rk)
[0062] 其中，Qk是系统过程噪声Wk的η X p维方差矩阵，Rk是系统观测噪声Vk的mX η维 方差阵。
[0063] 关于系统过程噪声和观测噪声的统计特性，我们假定如下：
【权利要求】
1. 基于多传感器信息仿人机器人跌倒状态检测方法，其特征在于包含如下步骤： 通过对姿态传感器信息、零力矩点ZMP传感器信息和机器人步行阶段信息进行融合， 建立分层结构的传感器信息融合模型，从而实现仿人机器人稳定性判定； 利用模糊决策系统将输入的步行阶段、姿态信息、ZMP点位置信息进行融合分析，得 出最终的对机器人稳定状态的判定；其中，把机器人步行阶段作为模糊决策系统输入之一； 把仿人机器人姿态信息作为模糊决策系统输入之一；把ZMP点位置信息作为模糊决策系统 输入之一。
2. 根据权利要求1所述的基于多传感器信息仿人机器人跌倒状态检测方法，其特征在 于步骤（1)所述分层结构的传感器信息融合模型包括低层数据层信息融合模型和高层决策 层融合模型，其中低层数据层信息融合模型分别是步行阶段融合模型、姿态传感器信息融 合模型和FSR传感器信息计算模型；高层决策层融合模型完成对机器人稳定性进行综合判 定：根据融合后的姿态信息、ZMP信息和机器人行走的步行阶段数据共同建立模糊决策系 统，模糊决策系统用来判定机器人是否处于不可控的状态，从而为机器人控制提供决策的 依据。
3. 根据权利要求1所述的基于多传感器信息仿人机器人跌倒状态检测方法，其特征在 于步骤（2)所述的模糊决策系统的判定过程是：将步行阶段信息、姿态信息和ZMP点位置 信息作为模糊决策的输入，通过模糊决策后得到5种判定结果作为输出：可控状态，向左倒 下，向右倒下，向前倒下，向后倒下；由于判定机器人是否前后倒下，主要和前后方向的姿态 信息和前后方向的ZMP点位置信息有关，和左右方向的数据没有太大关系；同理左右方向 上的姿态信息和左右方向上的ZMP点位置和前后方向的数据也没有太大关系；所以前后方 向倒和左右方向倒的判定，分用前后模糊决策系统和左右模糊决策系统来完成。
4. 根据权利要求3所述的基于多传感器信息仿人机器人跌倒状态检测方法，其特征在 于所述前后模糊决策系统判定机器人在前后方向的稳定性，具体步骤如下： ① 根据机器人支撑脚和地面之间的接触情况与离线步态规划确定机器人步行阶段； ② 利用模糊推理算法对ZMP点位置信息进行模糊化； ③ 利用模糊推理算法对机器人的俯仰角进行模糊化； ④ 确定输出隶属函数； ⑤ 根据步骤①~步骤④确定模糊推理规则； ⑥ 去模糊化； 所述左右模糊决策系统判定机器人在左右方向的稳定性，具体步骤如下： ① 根据机器人支撑脚和地面之间的接触情况与离线步态规划确定机器人步行阶段； ② 利用模糊推理算法对ZMP点位置信息进行模糊化； ③ 利用模糊推理算法对机器人的绕X轴滚动角进行模糊化； ④ 确定输出隶属函数； ⑤ 根据步骤①~步骤④确定模糊推理规则； ⑥ 去模糊化。
5. 根据权利要求1所述的基于多传感器信息仿人机器人跌倒状态检测方法，其特征在 于步骤（2 )所述机器人步行阶段根据离线步态规划和力传感记录单元FSR传感器信息来确 定。
6. 根据权利要求1所述的基于多传感器信息仿人机器人跌倒状态检测方法，其特征在 于步骤（2)中的仿人机器人姿态信息由姿态传感器采集得到，其中仿人机器人姿态信息是 通过加速度传感器和角速度传感器共同获得。
7. 根据权利要求1所述的基于多传感器信息仿人机器人跌倒状态检测方法，其特征在 于步骤（2)中的ZMP点位置信息由FSR传感器采集得到，根据安装在机器人脚底FSR传感 器计算出机器人双脚支撑阶段和单脚支撑阶段的ZMP位置。
【文档编号】G01C23/00GK104217107SQ201410428085
【公开日】2014年12月17日 申请日期:2014年8月27日 优先权日:2014年8月27日
【发明者】毕盛, 闵华清, 董敏, 曾潇, 黄铨雍 申请人:华南理工大学