CN116945124B - 一种机器人及其控制方法、设备及介质 - Google Patents

Abstract

本申请公开了一种机器人及其控制方法、设备及介质，属于控制工程技术领域，该机器人包括基座、串并联型机械臂、传感器、存储器及处理器，处理器用于执行存储器中存储计算机可读指令时实现如下步骤：当接收到任务指令时，获取由传感器采集的基座及机械臂的数据信息，并获取得到基座的当前状态以及机械臂的等效串联构型状态；之后，再获取机器人的当前整体构型，并根据机器人的当前整体构型和全身运动控制算法得到机器人对应任务指令时的期望整体构型；控制基座及机械臂移动而使机器人处于期望整体构型。因为机器人中机械臂的连接结构为串并联型，所以，该机器人不仅能够提高机器人在运动过程中的稳定性，而且，也可以显著提高机器人的负载能力。

Description

一种机器人及其控制方法、设备及介质

技术领域

本发明涉及控制工程技术领域，特别涉及一种机器人、一种机器人的控制方法、设备及介质。

背景技术

随着社会经济的不断发展，机器人的应用越来越广泛。其中，复合型机器人是指集手脚功能于一体的新型机器人。现在人们通常会将机械臂与移动平台(腿足式机器人或轮式机器人)相结合来完成餐饮业的相关服务需求。但是，不管是腿足式还是轮式的移动机械手臂都是采用链式的连接方式，这样就使得腿足式和轮式的移动机械手臂具有运动不稳定和负载能力较小的缺陷。目前，针对这一技术问题，还没有较为有效的解决办法。

发明内容

有鉴于此，本发明的目的在于提供一种机器人以及一种机器人的控制方法、设备及介质，以在提高机器人运动稳定性的同时，也可以提高机器人的负载能力。其具体方案如下：

一种机器人，所述机器人包括基座、机械臂、传感器、存储器及处理器，所述机械臂连接至所述基座，所述机械臂为串并联型机械臂，所述存储器中存储有可在所述处理器上运行的计算机可读指令，所述处理器用于执行所述计算机可读指令时实现如下步骤：

当接收到任务指令时，获取由所述传感器采集的所述基座及所述机械臂的数据信息，基于所述数据信息分别得到所述基座及所述机械臂的当前状态；

对所述机械臂的当前状态进行等效串联拟合，得到所述机械臂的等效串联构型状态；

基于所述基座的当前状态以及所述机械臂的等效串联构型状态，获得所述机器人的当前整体构型；

基于所述当前整体构型和全身运动控制算法，得到所述机器人对应所述任务指令时的期望整体构型；

控制所述基座及所述机械臂移动而使所述机器人处于所述期望整体构型。

优选的，所述处理器实现所述基于所述当前整体构型和全身运动控制算法得到所述机器人在执行所述任务指令时的期望整体构型的步骤，包括：

根据所述当前整体构型得到所述机器人的雅可比矩阵；

根据所述任务指令和所述雅可比矩阵获取所述全身运动控制算法公式，并利用所述全身运动控制算法公式得到所述机器人在执行所述任务指令时的所述期望整体构型。

优选的，所述处理器实现根据所述任务指令和所述雅可比矩阵获取所述全身运动控制算法公式的步骤，包括：

当所述任务指令为多任务指令时，对所述多任务指令中的多个任务进行任务优先级处理，得到所述多任务指令中的主任务；

利用所述雅可比矩阵将所述多任务指令中除去所述主任务之外的其它任务均投影到所述主任务的零空间中，以得到所述全身运动控制算法公式。

优选的，所述处理器实现所述利用所述全身运动控制算法公式得到所述机器人在执行所述任务指令时的所述期望整体构型的步骤，包括：

基于所述任务指令，获取所述机器人的期望输出位置；

将所述期望输出位置输入自抗扰控制算法，以获得目标补偿量；

利用所述目标补偿量、所述雅可比矩阵和所述期望输出位置获取所述机器人在执行所述多任务指令中目标任务时的目标速度；

根据所述全身运动控制算法公式和所述目标速度获得所述机器人在执行所述多任务指令时的所述期望整体构型。

优选的，所述机械臂包括并联部分关节，所述处理器实现所述对所述机械臂的当前状态进行等效串联拟合的步骤，包括：

获取所述并联部分关节在并联构型下的第一关节角度；

利用预设正运动学分析模型对所述第一关节角度进行处理，得到所述并联部分关节在串联构型下的第二关节角度；其中，所述预设正运动学分析模型为由预设训练样本训练得到的深度学习模型，且所述预设训练样本为根据逆运动学分析过程所构建的集合。

优选的，所述处理器实现预设正运动学分析模型的创建步骤，包括：

获取所述并联部分关节在串联构型下的运动范围；

在所述运动范围中选取预设数量的串联关节角度，得到串联关节角度集合；

根据所述逆运动学分析过程获得与每一个串联关节角度相对应的并联关节角度，得到并联关节角度集合；

根据所述串联关节角度集合和所述并联关节角度集合构建所述预设训练样本；其中，所述预设训练样本中的每一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；

利用所述预设训练样本对初始状态的所述深度学习模型进行训练，以得到所述预设正运动学分析模型。

优选的，所述处理器实现所述利用所述预设训练样本对初始状态的深度学习模型进行训练的步骤，包括：

获取对抗生成网络模型；其中，所述对抗生成网络模型包括生成器和判别器；

将所述预设训练样本中的所有并联关节角度输入至所述生成器，得到生成结果；

将所述生成结果和所述预设训练样本中的所有串联关节角度输入至所述判别器进行训练。

相应的，本发明还公开了一种机器人的控制方法，所述机器人包括基座、机械臂、传感器，所述机械臂连接至所述基座，所述机械臂为串并联型机械臂，包括：

当接收到任务指令时，获取由所述传感器采集的所述基座及所述机械臂的数据信息，基于所述数据信息分别得到所述基座及所述机械臂的当前状态；

对所述机械臂的当前状态进行等效串联拟合，得到所述机械臂的等效串联构型状态；

基于所述基座的当前状态以及所述机械臂的等效串联构型状态，获得所述机器人的当前整体构型；

基于所述当前整体构型和全身运动控制算法，得到所述机器人对应所述任务指令时的期望整体构型；

控制所述基座及所述机械臂移动而使所述机器人处于所述期望整体构型。

相应的，本发明还公开了一种机器人的控制设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如前述所公开的一种机器人的控制方法的步骤。

相应的，本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前述所公开的一种机器人的控制方法的步骤。

可见，在本发明中，当机器人的处理器接收到任务指令时，首先是通过传感器采集基座以及机械臂的数据信息，并基于基座以及机械臂的数据信息分别得到基座和机械臂的当前状态；然后，再对机械臂的当前状态进行等效串联拟合，得到机械臂的等效串联构型状态，并基于基座的当前状态以及机械臂的等效串联构型状态，获取得到机器人的当前整体构型；之后，再基于机器人的当前整体构型和全身运动控制算法得到机器人在执行任务指令时的期望整体构型，并控制机器人的基座和机械臂移动而使机器人处于期望整体构型下。显然，相较于现有技术而言，因为机器人中机械臂的连接结构为串并联型，所以，通过该方法不仅能够提高机器人在运动过程中的稳定性，而且，也可以显著提高机器人的负载能力。相应的，本发明所提供的一种机器人的控制方法、设备及介质，同样具有上述有益效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例所提供的一种机器人中处理器执行操作步骤的流程图；

图2为本发明实施例所提供的一种机器人的示意图；

图3为获取机器人的当前整体构型时的示意图；

图4为本发明实施例所提供的一种机器人在执行多任务指令时的控制架构框图；

图5为利用自抗扰控制算法获取目标补偿量时的示意图；

图6为对抗生成网络模型的示意图；

图7为本发明实施例所提供的一种机器人的控制设备的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。

本发明实施例提供了一种机器人，该机器人包括基座、机械臂、传感器、存储器及处理器，机械臂连接至基座，机械臂为串并联型机械臂，存储器中存储有可在处理器上运行的计算机可读指令，处理器用于执行计算机可读指令时实现如图1所示的流程步骤。请参见图1，图1为本发明实施例所提供的一种机器人中处理器执行操作步骤的流程图，该操作流程包括：

步骤S11：当接收到任务指令时，获取由传感器采集的基座及机械臂的数据信息，基于数据信息分别得到基座及机械臂的当前状态；

步骤S12：对机械臂的当前状态进行等效串联拟合，得到机械臂的等效串联构型状态；

步骤S13：基于基座的当前状态以及机械臂的等效串联构型状态，获得机器人的当前整体构型；

步骤S14：基于当前整体构型和全身运动控制算法，得到机器人对应任务指令时的期望整体构型；

步骤S15：控制基座及机械臂移动而使机器人处于期望整体构型。

在本实施例中，是提供了一种机器人，通过该机器人不仅能够提高机器人在运动过程中的稳定性，而且，也可以显著提高机器人的负载能力。该机器人包括基座、机械臂、传感器、存储器以及处理器。其中，基座为可移动结构，也可以根据需要设置为不可移动结构，机器人的机械臂连接至该基座，并且，机器人的机械臂为串并联型的机械臂。能够想到的是，因为机器人中机械臂的连接结构为串并联型，所以，相较于串联型的机械臂而言，串并联型的机械臂不仅能够提高机器人在运动过程中的稳定性，而且，也可以显著提高机器人的负载能力。请参见图2，图2为本发明实施例所提供的一种机器人的示意图，该机器人包括基座100及机械臂200，机械臂200包括相连的并联部分关节201和串联部分关节202。其中，机器人的硬件系统可以简单地描述为一个差动驱动的基座配备一个串并联型的机械臂。在通常情况下，机器人的机械臂为6自由度。

因为机器人的存储器中存储有可在处理器上运行的计算机可读指令，所以，处理器根据存储器中所存储的计算机可读指令，就可以执行相应的指令操作。具体的，当机器人的处理器接收到用户所发送的任务指令时，机器人首先会通过设置在其内部的传感器去采集基座以及机械臂的数据信息，并根据基座及机械臂的数据信息分别得到基座和机械臂的当前状态。需要说明的是，基座的当前状态至少包括基座当前的位置信息和姿态信息，机械臂的当前状态至少包括机械臂当前的位置信息和姿态信息。

在本实施例中，由基座及机械臂的数据信息获取得到基座的当前状态为：q_b＝[x_b,y_b,φ]^T，机械臂的当前状态为：q_m＝[θ₁,θ₂,θ₃,θ₄,θ₅,θ₆]^T，式中，x_b为基座在x轴上的移动距离，y_b为基座在y轴上的移动距离，φ为基座的旋转角，θ₁、θ₂、θ₃、θ₄、θ₅、θ₆分别为机械臂在六个自由度上的关节角度。

可以理解的是，由于获取得到机器人机械臂的构型为并联构型+串联构型的形式，而现有机器人的控制算法都是基于串联构型，所以，为了便于后续过程的计算，在获取得到机械臂的机械臂状态之后，还需要对机械臂并联部分关节的状态进行等效拟合，从而得到机械臂在串联状态下的等效机械臂状态。

在本实施例中，假设机器人机械臂的前3个关节为并联构型，后面的3个关节为串联构型，那么就可以将机械臂在串联状态下的等效机械臂状态表示为：q_me＝[θ_1e,θ_2e,θ_3e,θ_4e,θ_5e,θ_6e]^T，式中，θ_1e、θ_2e、θ_3e、θ_4e、θ_5e、θ_6e分别为机械臂在六个自由度上的等效串联关节角度，且θ_1e、θ_2e、θ_3e、θ_4e、θ_5e、θ_6e分别与θ₁、θ₂、θ₃、θ₄、θ₅、θ₆相对应。实际上，由于机器人串联部分的关节角与并联状态下的关节角是等效的，所以，在本实施例中就会得到：θ₄＝θ_4e、θ₅＝θ_5e、θ₆＝θ_6e。当然，在实际应用中，机器人还可以有其它形式的串并联形式，此处不作具体赘述。

然后，再基于机器人中基座的当前状态以及机械臂的等效串联构型状态来获取机器人的当前整体构型q＝[x_b,y_b,φ,θ_1e,θ_2e,θ_3e,θ_4e,θ_5e,θ_6e]^T。请参见图3，图3为获取机器人的当前整体构型时的示意图。在本实施例中，为了使得机器人能够实现更好的性能跟踪，在获取得到机器人的当前整体构型时，还利用机器人的当前整体构型和全身运动控制算法来得到机器人在执行任务指令时的期望整体构型。

可以理解的是，因为机器人的期望整体构型可以分为两部分，一部分是机器人机械臂的构型速度，另一部分是机器人基座的构型速度，所以，利用机器人的期望整体构型对机器人的基座和机械臂进行控制，就能够使得机器人实现任务指令。

具体的，由于机械臂的构型速度通常是机器人等效关节的速度，其中，机械臂串联关节部分的速度可以直接输出，并联关节部分的速度可以通过逆运动学模型计算获取，并由此得到机器人中机械臂上各个关节的实际关节速度。这样将机器人的实际关节速度输入到关节控制器中，就可以去驱动关节电机的运动。而基座的构型速度通常是笛卡尔空间速度，所以，通过速度变换就可以得到机器人的行驶速度与转向速度，并最终输入到基座控制器去驱动基座的运动。

可见，在本实施例中，当机器人的处理器接收到任务指令时，首先是通过传感器采集基座以及机械臂的数据信息，并基于基座以及机械臂的数据信息分别得到基座和机械臂的当前状态；然后，再对机械臂的当前状态进行等效串联拟合，得到机械臂的等效串联构型状态，并基于基座的当前状态以及机械臂的等效串联构型状态，获取得到机器人的当前整体构型；之后，再基于机器人的当前整体构型和全身运动控制算法得到机器人在执行任务指令时的期望整体构型，并控制机器人的基座和机械臂移动而使机器人处于期望整体构型下。显然，相较于现有技术而言，因为机器人中机械臂的连接结构为串并联型，所以，通过该方法不仅能够提高机器人在运动过程中的稳定性，而且，也可以显著提高机器人的负载能力。

基于上述实施例，本实施例对技术方案作进一步的说明与优化，作为一种优选的实施方式，处理器实现基于当前整体构型和全身运动控制算法得到机器人在执行任务指令时的期望整体构型的步骤，包括：

根据当前整体构型得到机器人的雅可比矩阵；

根据任务指令和雅可比矩阵获取全身运动控制算法公式，并利用全身运动控制算法公式得到机器人在执行任务指令时的期望整体构型。

可以理解的是，由于根据传感器数据可以得到机器人末端执行器的位姿表达式，假设末端执行器的位姿表达式为：x＝[x₀,y₀,z₀,r_x,r_y,r_z]^T，其中，x₀、y₀和z₀分别为机器人在前向、侧向和纵向方向上的移动距离，r_x为机器人绕x轴的旋转角度，r_y为机器人绕y轴的旋转角度，r_z为机器人绕z轴的旋转角度。

因为机器人机械臂的全身正运动学的表达式为：x＝f(q)，其中，q为机器人的当前整体构型。根据机器人全身正运动学的表达式x＝f(q)，可以得到其对应的微分形式。

也即，其中，为x的微分，为q的微分，J₀为机器人中机械臂的雅可比矩阵。因为基座是差动驱动的，满足非完整约束条件其中，J₁＝[cosφ,shiφ,0,0,0,0,0,0,0]^T，为机器人中基座的雅可比矩阵。将上述的两个公式进行合并，就可以得到机器人在拓展形式下的全身正运动学表达式：其中，J_e为机器人的雅可比矩阵，J_e＝[J₀,J₁]^T，

当获取得到机器人的雅可比矩阵时，就可以根据机器人的任务指令和雅可比矩阵获取全身运动控制算法公式，并利用全身运动控制算法公式获取得到机器人在执行任务指令时的期望整体构型。

作为一种优选的实施方式，处理器实现根据任务指令和雅可比矩阵获取全身运动控制算法公式的步骤，包括：

当任务指令为多任务指令时，对多任务指令中的多个任务进行任务优先级进行处理，得到多任务指令中的主任务；

利用雅可比矩阵将多任务指令中除去主任务之外的其它任务均投影到主任务的零空间中，以得到全身运动控制算法公式。

可以理解的是，在通常情况下，机器人会接收到多任务指令去协调控制多个目标，其中，机器人所执行的多任务包括机械臂的末端操作任务、基座运动任务、碰撞规避任务、关节极限任务以及后续的可拓展任务等等。而全身运动控制算法(Whole BodyController，WBC)可以协调控制多个目标，所以，在实际应用中，就可以基于全身运动控制算法来获取机器人在执行多任务指令时的全身运动控制算法公式。

在全身运动控制算法中，每个目标均可以使用雅可比矩阵的形式进行描述。假设多任务指令中的第i个优先级目标可以被定义为其中，为的拓展，J_i为雅可比矩阵(可视为与J_e相等)，为第i个优先级目标的全身关节速度。那么低优先级任务的关节速度输入就会通过逐层投影映射到高优先级任务的零空间中，并最终投影到主任务的零空间中，这样就可以得到机器人的全身运动控制算法公式。

换句话说，当机器人接收到多任务指令时，通过对多任务指令中的多个任务进行任务优先级处理，并由此得到多任务指令中的主任务；之后，再利用雅可比矩阵将多任务指令中除去主任务之外的其它任务均投影到主任务的零空间中，就可以得到全身运动控制算法公式。

其中，全身运动控制算法公式的表达式为：

式中，N_i为零空间投影矩阵，i＝1,2,3…，为第i个优先级目标的全身关节速度。

在全身运动控制算法公式中，其中，J_i为雅可比矩阵，为雅可比矩阵J_i的伪逆，E为单位矩阵。式中，W为权重矩阵。并且，第i个优先级目标的全身关节速度可以被定为：

请参见图4，图4为本发明实施例所提供的一种机器人在执行多任务指令时的控制架构框图。当机器人接收到多任务指令时，设置在其内部的处理器会利用任务优先级处理器对多任务指令进行处理，并确定出多任务指令中的主任务，而除去主任务之外的其它任务会逐层投影到主任务的零空间中，并由此得到机器人在执行多任务指令时的构型速度。由于机器人在执行多任务指令时的构型速度可以分解为机械臂速度和基座速度，所以，通过机器人的关节速度控制器和基座速度控制器就可以对机器人的机械臂和基座的运动状态进行控制。

作为一种优选的实施方式，处理器实现利用全身运动控制算法公式得到机器人在执行任务指令时的期望整体构型的步骤，包括：

基于任务指令，获取机器人的期望输出位置；

将期望输出位置输入自抗扰控制算法，以获得目标补偿量；

利用目标补偿量、雅可比矩阵和期望输出位置获取机器人在执行多任务指令中目标任务时的目标速度；

根据全身运动控制算法公式和目标速度获得机器人在执行多任务指令时的期望整体构型。

在本实施例中，为了使得机器人能够实现更好的性能跟踪，是将上述全身运动控制算法公式中第i个优先级目标的全身关节速度改写为其中，为机器人在执行多任务指令中目标任务时的目标速度，u_d为目标补偿量。

请参见图5，图5为利用自抗扰控制算法获取目标补偿量时的示意图。在图5中，自抗扰控制算法(ADRC，Active Disturbance Rejection Control)的输入为v＝x_ed，x_ed为x_e的期望，输出为机器人的期望输出位置，可以将其标记为y＝x_e，通过控制律就可以得到目标补偿量u_d。由于在实际应用中，机器人的位置比速度更为容易获取，所以，在图5中就可以使用机器人的位置来代替其速度。

当获取得到机器人在执行多任务指令中目标任务时的目标速度时，根据全身运动控制算法公式和目标速度的表达式就可以得到机器人在执行多任务指令时的期望整体构型。

需要说明的是，自抗扰控制算法通常是由跟踪微分器(TrackingDifferentiator，TD)、扩张状态观测器(Extended State Observer，ESO)和非线性状态误差反馈器(Nonlinear State Error Feedback，NLSEF)3部分所组成。由于自抗扰控制算法为本领域技术人员所熟知的内容，因此，在本实施例中对其不作详细介绍，具体可参见现有技术中的相关内容，此处不作具体赘述。

基于上述实施例，本实施例对技术方案作进一步的说明与优化，作为一种优选的实施方式，机械臂包括并联部分关节，处理器实现对机械臂的当前状态进行等效串联拟合的步骤，包括：

获取并联部分关节在并联构型下的第一关节角度；

利用预设正运动学分析模型对第一关节角度进行处理，得到并联部分关节在串联构型下的第二关节角度；其中，预设正运动学分析模型为由预设训练样本训练得到的深度学习模型，且预设训练样本为根据逆运动学分析过程所构建的集合。

可以理解的是，由于机器人并联部分的关节角与等效串联关节角之间存在相应的函数转换关系，因此，在本实施例中，我们规定正运动学的表达式为g₁:θ₁,θ₂,θ₃→θ_1e,θ_2e,θ_3e，逆运动学的表达式为：g₂:θ_1e,θ_2e,θ_3e→θ₁,θ₂,θ₃。

在本实施例中，为了对机械臂并联部分关节的状态进行等效串联拟合，首先是获取机械臂并联部分关节在并联构型下的第一关节角度(θ₁,θ₂,θ₃)，之后，再利用预设正运动学分析模型g₁对第一关节角度(θ₁,θ₂,θ₃)进行处理，得到机械臂并联部分关节在串联构型下的第二关节角度(θ_1e,θ_2e,θ_3e)。

其中，预设正运动学分析模型g₁为由预设训练样本训练得到的深度学习模型，并且，预设训练样本为根据逆运动学分析过程所构建的集合。可以理解的是，因为逆运动学分析模型存在解析解，而正运动学分析模型不存在解析解，而逆运动学分析模型和正运动学分析模型之间存在映射关系，所以，利用深度学习模型就可以对预设正运动学分析模型进行求解。

作为一种优选的实施方式，处理器实现预设正运动学分析模型的创建步骤，包括：

获取并联部分关节在串联构型下的运动范围；

在运动范围中选取预设数量的串联关节角度，得到串联关节角度集合；

根据逆运动学分析过程获得与每一个串联关节角度相对应的并联关节角度，得到并联关节角度集合；

根据串联关节角度集合和并联关节角度集合构建预设训练样本；其中，预设训练样本中的每一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；

利用预设训练样本对初始状态的深度学习模型进行训练，以得到预设正运动学分析模型。

在创建预设正运动学分析模型时，首先是获取机械臂并联部分关节在串联构型下的运动范围，假设机械臂并联部分关节在串联构型下的运动范围为：θ_1e∈[minθ_1e,maxθ_1e]，θ_2e∈[minθ_2e,maxθ_2e]、θ_3e∈[minθ_3e,maxθ_3e]；然后，在运动范围中选取预设数量的串联关节角度，得到串联关节角度集合；然后，再根据逆运动学分析过程g₂:θ_1e,θ_2e,θ_3e→θ₁,θ₂,θ₃获取与每一个串联关节角度相对应的并联关节角度θ₁,θ₂,θ₃，得到并联关节角度集合；之后，再根据串联关节角度集合和并联关节角度集合构建预设训练样本，并利用预设训练样本对初始状态的深度学习模型进行训练，从而得到预设正运动学分析模型。

作为一种优选的实施方式，处理器实现利用预设训练样本对初始状态的深度学习模型进行训练的步骤，包括：

获取对抗生成网络模型；

其中，对抗生成网络模型包括生成器和判别器；

将预设训练样本中的所有并联关节角度输入至生成器，得到生成结果；

将生成结果和预设训练样本中的所有串联关节角度输入至判别器进行训练。

具体的，在本实施例中，是利用对抗生成网络(Generative AdversarialNetwork，GAN)来创建深度学习模型，当然，在实际应用中，还可以利用其它深度学习算法来生成深度学习模型，此处不作详细赘述。

请参见图6，图6为对抗生成网络模型的示意图。其中，对抗生成网络模型包括：生成器G和判别器D。具体的，生成器G用于训练学习从一个低维潜在向量z(z～p_z(z))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))还是生成的数据G(z)；对抗生成网络模型通过优化过程来调整生成器G与判别器D。

其中，对抗生成网络模型的目标函数为：

基于上述理论基础，在本实施例中，是将预设训练样本中的所有并联关节角度(θ₁,θ₂,θ₃)输入至生成器G，得到生成结果(θ_1eg,θ_2eg,θ_3eg)，并将生成结果(θ_1eg,θ_2eg,θ_3eg)和预设训练样本中的所有串联关节角度一起输入至判别器进行训练，从而得到预设正运动学分析模型g₁:θ₁,θ₂,θ₃→θ_1e,θ_2e,θ_3e。

相应的，本发明实施例还公开了一种机器人的控制方法，其中，机器人包括基座、机械臂、传感器，机械臂连接至基座，机械臂为串并联型机械臂，该控制方法包括：

当接收到任务指令时，获取由传感器采集的基座及机械臂的数据信息，基于数据信息分别得到基座及机械臂的当前状态；

对机械臂的当前状态进行等效串联拟合，得到机械臂的等效串联构型状态；

基于基座的当前状态以及机械臂的等效串联构型状态，获得机器人的当前整体构型；

基于当前整体构型和全身运动控制算法，得到机器人对应任务指令时的期望整体构型；

控制基座及机械臂移动而使机器人处于期望整体构型。

本发明实施例所提供的一种机器人的控制方法，与前述实施例所公开的一种机器人相对应，相关之处可参见前述实施例所公开的内容，此处不作具体赘述。

本发明实施例所提供的一种机器人的控制方法，具有前述所公开的一种机器人所具有的有益效果。

请参见图7，图7为本发明实施例所提供的一种机器人的控制设备的结构图，该设备包括：

存储器31，用于存储计算机程序；

处理器32，用于执行计算机程序时实现如前述所公开的一种机器人的控制方法的步骤。

本发明实施例所提供的一种机器人的控制设备，具有前述所公开的一种机器人的控制方法所具有的有益效果。

相应的，本发明实施例还公开了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如前述所公开的一种机器人的控制方法的步骤。

本发明实施例所提供的一种计算机可读存储介质，具有前述所公开的一种机器人的控制方法所具有的有益效果。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的一种机器人、一种机器人的控制方法、设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种机器人，其特征在于，所述机器人包括基座、机械臂、传感器、存储器及处理器，所述机械臂连接至所述基座，所述机械臂为串并联型机械臂，所述存储器中存储有可在所述处理器上运行的计算机可读指令，所述处理器用于执行所述计算机可读指令时实现如下步骤：

当接收到任务指令时，获取由所述传感器采集的所述基座及所述机械臂的数据信息，基于所述数据信息分别得到所述基座及所述机械臂的当前状态；所述基座的当前状态至少包括所述基座当前的位置信息和姿态信息，所述机械臂的当前状态至少包括所述机械臂当前的位置信息和姿态信息；

对所述机械臂的当前状态进行等效串联拟合，得到所述机械臂的等效串联构型状态；

基于所述基座的当前状态以及所述机械臂的等效串联构型状态，获得所述机器人的当前整体构型；

根据所述当前整体构型得到所述机器人的雅可比矩阵；

当所述任务指令为多任务指令时，对所述多任务指令中的多个任务进行任务优先级处理，得到所述多任务指令中的主任务；

利用所述雅可比矩阵将所述多任务指令中除去所述主任务之外的其它任务均投影到所述主任务的零空间中，以得到全身运动控制算法公式；

基于所述任务指令，获取所述机器人的期望输出位置；

将所述期望输出位置输入自抗扰控制算法，以获得目标补偿量；

利用所述目标补偿量、所述雅可比矩阵和所述期望输出位置获取所述机器人在执行所述多任务指令中目标任务时的目标速度；

根据所述全身运动控制算法公式和所述目标速度获得所述机器人在执行所述多任务指令时的期望整体构型；

控制所述基座及所述机械臂移动而使所述机器人处于所述期望整体构型；

其中，所述全身运动控制算法公式的表达式为：；式中，为零空间投影矩阵，，为第个优先级目标的全身关节速度，，为雅可比矩阵，为雅可比矩阵的伪逆，为单位矩阵；将改写为，为所述多任务指令中的第个优先级目标，为所述目标补偿量，为的一阶导数，为的期望，，为所述机器人的期望输出位置；

所述机械臂包括并联部分关节，所述处理器实现所述对所述机械臂的当前状态进行等效串联拟合的步骤，包括：

获取所述并联部分关节在并联构型下的第一关节角度；

利用预设正运动学分析模型对所述第一关节角度进行处理，得到所述并联部分关节在串联构型下的第二关节角度；其中，所述预设正运动学分析模型为由预设训练样本训练得到的深度学习模型，且所述预设训练样本为根据逆运动学分析过程所构建的集合；

所述处理器实现预设正运动学分析模型的创建步骤，包括：

获取所述并联部分关节在串联构型下的运动范围；

在所述运动范围中选取预设数量的串联关节角度，得到串联关节角度集合；

根据所述逆运动学分析过程获得与每一个串联关节角度相对应的并联关节角度，得到并联关节角度集合；

根据所述串联关节角度集合和所述并联关节角度集合构建所述预设训练样本；其中，所述预设训练样本中的每一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；

利用所述预设训练样本对初始状态的所述深度学习模型进行训练，以得到所述预设正运动学分析模型。

2.根据权利要求1所述的机器人，其特征在于，所述处理器实现所述利用所述预设训练样本对初始状态的深度学习模型进行训练的步骤，包括：

获取对抗生成网络模型；其中，所述对抗生成网络模型包括生成器和判别器；

将所述预设训练样本中的所有并联关节角度输入至所述生成器，得到生成结果；

将所述生成结果和所述预设训练样本中的所有串联关节角度输入至所述判别器进行训练。

3.一种机器人的控制方法，其特征在于，所述机器人包括基座、机械臂、传感器，所述机械臂连接至所述基座，所述机械臂为串并联型机械臂，包括：

当接收到任务指令时，获取由所述传感器采集的所述基座及所述机械臂的数据信息，基于所述数据信息分别得到所述基座及所述机械臂的当前状态；所述基座的当前状态至少包括所述基座当前的位置信息和姿态信息，所述机械臂的当前状态至少包括所述机械臂当前的位置信息和姿态信息；

对所述机械臂的当前状态进行等效串联拟合，得到所述机械臂的等效串联构型状态；

基于所述基座的当前状态以及所述机械臂的等效串联构型状态，获得所述机器人的当前整体构型；

根据所述当前整体构型得到所述机器人的雅可比矩阵；

当所述任务指令为多任务指令时，对所述多任务指令中的多个任务进行任务优先级处理，得到所述多任务指令中的主任务；

利用所述雅可比矩阵将所述多任务指令中除去所述主任务之外的其它任务均投影到所述主任务的零空间中，以得到全身运动控制算法公式；

基于所述任务指令，获取所述机器人的期望输出位置；

将所述期望输出位置输入自抗扰控制算法，以获得目标补偿量；

利用所述目标补偿量、所述雅可比矩阵和所述期望输出位置获取所述机器人在执行所述多任务指令中目标任务时的目标速度；

根据所述全身运动控制算法公式和所述目标速度获得所述机器人在执行所述多任务指令时的期望整体构型；

控制所述基座及所述机械臂移动而使所述机器人处于所述期望整体构型；

其中，所述全身运动控制算法公式的表达式为：；式中，为零空间投影矩阵，，为第个优先级目标的全身关节速度，，为雅可比矩阵，为雅可比矩阵的伪逆，为单位矩阵；将改写为，为所述多任务指令中的第个优先级目标，为所述目标补偿量，为的一阶导数，为的期望，，为所述机器人的期望输出位置；

所述机械臂包括并联部分关节，所述对所述机械臂的当前状态进行等效串联拟合的步骤，包括：

获取所述并联部分关节在并联构型下的第一关节角度；

利用预设正运动学分析模型对所述第一关节角度进行处理，得到所述并联部分关节在串联构型下的第二关节角度；其中，所述预设正运动学分析模型为由预设训练样本训练得到的深度学习模型，且所述预设训练样本为根据逆运动学分析过程所构建的集合；

所述预设正运动学分析模型的创建步骤，包括：

获取所述并联部分关节在串联构型下的运动范围；

在所述运动范围中选取预设数量的串联关节角度，得到串联关节角度集合；

根据所述逆运动学分析过程获得与每一个串联关节角度相对应的并联关节角度，得到并联关节角度集合；

根据所述串联关节角度集合和所述并联关节角度集合构建所述预设训练样本；其中，所述预设训练样本中的每一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；

利用所述预设训练样本对初始状态的所述深度学习模型进行训练，以得到所述预设正运动学分析模型。

4.一种机器人的控制设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求3所述的一种机器人的控制方法的步骤。

5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求3所述的一种机器人的控制方法的步骤。