[發明專利]一種康復機器人控制方法、裝置及康復機器人

在審

• 申請號: 202111371350.5
• 申請日: 2021-11-18
• 公開（公告）號: CN114028164A
• 公開（公告）日: 2022-02-11
• 發明（設計）人: 孫維;黃冠
• 申請（專利權）人: 深圳華鵲景醫療科技有限公司
• 主分類號: A61H1/02
• 分類號: A61H1/02;B25J9/16;G06N3/04;G06N3/08
• 代理公司: 北京薈英捷創知識產權代理事務所(普通合伙) 11726
• 代理人: 張陽

本發明提供了一種康復機器人控制方法、裝置及康復機器人，涉及機器人控制技術領域，該康復機器人控制方法包括：步驟S102，將訓練目標輸入訓練后的神經網絡模型中進行力矩預測，得到待訓練關節的力矩預測值；步驟S104，基于力矩預測值控制待訓練關節按照訓練目標運動；步驟S106，獲取并存儲待訓練關節產生的實際運動數據，基于實際運動數據更新訓練數據組；步驟S108，基于更新后的訓練數據組對神經網絡模型進行更新訓練，將更新訓練后的神經網絡模型作為新的訓練后的神經網絡模型返回至步驟S102。本發明能夠提高神經網絡模型的泛用性，提升神經網絡模型預測值的準確度。

技術領域

本發明涉及機器人控制技術領域，尤其是涉及一種康復機器人控制方法、裝置及康復機器人。

背景技術

目前的康復機器人在進行康復訓練時，通常設置某個目標位置，并協助待訓練部位到達設定的目標位置，隨著深度學習技術的發展，越來越多的康復機器人使用深度學習解決康復機器人的訓練控制問題，目前常用的康復機器人在進行訓練控制時，通常基于歷史數據對神經網絡模型進行離線訓練，再基于離線訓練得到的神經網絡模型進行訓練控制，但是離線訓練得到的神經網絡模型泛用性較差，得到的預測值準確度較低。

發明內容

有鑒于此，本發明的目的在于提供一種康復機器人控制方法、裝置及康復機器人，能夠提高神經網絡模型的泛用性，提升神經網絡模型預測值的準確度。

為了實現上述目的，本發明實施例采用的技術方案如下：

第一方面，本發明實施例提供了一種康復機器人控制方法，包括：步驟S102，將訓練目標輸入訓練后的神經網絡模型中進行力矩預測，得到待訓練關節的力矩預測值；步驟S104，基于所述力矩預測值控制所述待訓練關節按照所述訓練目標運動；步驟S106，獲取并存儲所述待訓練關節產生的實際運動數據，基于所述實際運動數據更新所述訓練數據組；步驟S108，基于更新后的訓練數據組對所述神經網絡模型進行更新訓練，將更新訓練后的神經網絡模型作為新的所述訓練后的神經網絡模型返回至所述步驟S102。

進一步，本發明實施例提供了第一方面的第一種可能的實施方式，其中，所述基于所述實際運動數據更新所述訓練數據組的步驟，包括：判斷已存儲的所述實際運動數據是否達到預設數量，如果所述實際運動數據達到預設數量，確定所述實際運動數據滿足預設條件；其中，所述實際運動數據包括所述待訓練關節的實際角度、實際角速度、實際角加速度和實際力矩；計算所述訓練數據組中各數據組中的各樣本數據與所述實際運動數據的樣本距離，將與所述實際運動數據的樣本距離最大的目標數據組替換為所述實際運動數據，得到更新后的訓練數據組；其中，所述目標數據組所包括的樣本數據數量與所述實際運動數據的數量相同。

進一步，本發明實施例提供了第一方面的第二種可能的實施方式，其中，所述基于更新后的訓練數據組對所述神經網絡模型進行更新訓練的步驟，包括：從所述更新后的訓練數據組中隨機抽取多個數據組作為訓練樣本輸入所述神經網絡模型中，以使所述神經網絡模型基于所述訓練樣本中所述待訓練關節的角度、角速度和角加速度進行力矩預測，并基于預測得到的力矩與所述訓練樣本中的實際力矩的誤差進行梯度反向傳播更新權重。

進一步，本發明實施例提供了第一方面的第三種可能的實施方式，其中，所述神經網絡模型基于歐拉拉格朗日動力學方程構建得到，所述神經網絡模型包括前饋網絡、第一網絡、第二網絡、第三網絡和預測網絡，所述前饋網絡的輸出端分別與所述第一網絡、所述第二網絡和所述第三網絡的輸入端連接，所述第一網絡、所述第二網絡和所述第三網絡的輸出端均與所述預測網絡連接。