简介

本方案涉及机器人与智能交互领域，尤其涉及一种柔性表面三维力解耦方法和装置。

应用前景

在机器人与智能交互领域，精确感知三维接触力（即包含法向力 Fz 和双向剪切力 Fx、 Fy 的力矢量）是实现灵巧操作和安全协作的技术基础。

技术方案

本发明公开了一种柔性表面三维力解耦方法和装置，该方法包括：将时间序列压力数据分别输入至第一物理模型和第一 MLP 神经网络模型中，输出法向力估计值和预测残差；将法向力估计值与预测残差相加，得到法向力；将法向力与时间序列压力数据进行拼接融合，得到融合特征；将融合特征输入选择性状态空间神经网络进行解耦处理，得到深层特征；对深层特征进行解码，得到剪切力矢量；将法向力、剪切力矢量组合，得到三维力矢量。本方案在法向力预测中既利用了物理模型的先验知识，又发挥了神经网络的拟合能力；

创新点

本发明选择性状态空间神经网络能够有效捕捉复杂的时间序列依赖关系，从而更有效地处理和补偿传感器通道间的物理串扰，提高了解耦精度。

权利要求

1. 一种柔性表面三维力解耦方法，其特征在于，所述方法包括： 从布置在机器人身体上的柔性传感器获取时间序列压力数据； 将所述时间序列压力数据的当前压力数据持续分别输入至第一物理模型和第一 MLP 神经网络模型中，使 所述第一物理模型根据所述当前压力数据和预设的第一关系函数输出法向力估计值，所述第一 MLP 神经 网络模型根据所述当前压力数据输出所述法向力估计值的预测残差； 将所述法向力估计值与所述预测残差相加，得到法向力； 将所述法向力与所述时间序列压力数据进行拼接融合，得到融合特征； 将所述融合特征输入选择性状态空间神经网络进行解耦处理，得到深层特征； 对所述深层特征进行解码，得到剪切力矢量；将所述法向力、所述剪切力矢量组合，得到三维力矢量。

2. 根据权利要求 1 所述的方法，其特征在于，所述将所述融合特征输入选择性状态空间神经网络进行解 耦处理，得到深层特征，包括： 将所述融合特征输入选择性状态空间模型，所述选择性状态空间模型根据所述融合特征更新预设的状态更 新公式的内部参数，得到更新参数； 所述模型根据所述融合特征、所述模型的上一时刻状态、所述更新参数和所述状态更新公式，确定当前时 刻状态； 根据所述当前时刻状态与预设的投影矩阵，得到所述时间序列压力数据解耦后的深层特征；所述投影矩阵 用于提取并解耦所述当前时刻状态的信息。

3. 根据权利要求 2 所述的方法，其特征在于，所述所述选择性状态空间模型根据所述融合特征更新预设 的状态更新公式的内部参数，得到更新参数，包括： 将所述融合特征输入选择性状态空间模型，所述选择性状态空间模型的子神经网络根据所述融合特征对当 前系统状态的影响程度，确定所述融合特征的重要性评分； 若所述重要性评分小于预设评分阈值，则增大状态更新公式中的第一系数，减小第二系数；若所述重要性 评分大于或等于所述评分阈值，则减小所述第一系数，增大所述第二系数；所述状态更新公式包括当前状 态项和上一时刻状态项，所述第一系数为所述上一时刻状态项的系数，所述第二系数为所述当前时刻项的 系数。 

4. 根据权利要求 3 所述的方法，其特征在于，所述模型根据所述融合特征、所述模型的上一时刻状态、 所述更新参数和所述状态更新公式，确定当前时刻状态，包括： 所述模型计算所述融合特征与所述第二系数的第一乘积，并计算所述上一时刻状态与所述第一系数的第二 乘积； 根据所述第一乘积和所述第二乘积确定当前时刻状态。

5. 根据权利要求 1 所述的方法，其特征在于，在将所述时间序列压力数据同时输入至第一物理模型和第 一 MLP 神经网络模型中之前，还包括： 所述第一物理模型根据采集的历史压力数据拟合出法向力和压力的第一关系函数； 所述第一物理模型根据所述历史压力数据、所述第一关系函数，输出历史法向力估计值； 将所述历史法向力估计值输入所述第一 MLP 神经网络模型，输出所述历史法向力估计值的预测残差； 根据所述预测残差和预设的真实残差之间的差值，对所述第一 MLP 神经网络模型进行模型训练；所述真 实残差为所述历史法向力估计值和真实历史法向力之间的差值。 

6. 根据权利要求 1 所述的方法，其特征在于，在从布置在机器人身体上的柔性传感器获取时间序列压力 数据之后，还包括： 从所述柔性传感器的布设位置确定所述时间序列压力数据的作用位置。 

7. 一种柔性表面三维力解耦装置，其特征在于，所述装置包括： 数据获取模块，用于从布置在机器人身体上的柔性传感器获取时间序列压力数据； 输入模块，用于将所述时间序列压力数据的当前压力数据持续分别输入至第一物理模型和第一 MLP 神经 网络模型中，使所述第一物理模型根据所述当前压力数据和预设的第一关系函数输出法向力估计值，所述 第一 MLP 神经网络模型根据所述当前压力数据输出所述法向力估计值的预测残差； 法向力确定模块，用于将所述法向力估计值与所述预测残差相加，得到法向力； 融合模块，用于将所述法向力与所述时间序列压力数据进行拼接融合，得到融合特征； 解耦模块，用于将所述融合特征输入选择性状态空间神经网络进行解耦处理，得到深层特征； 三维力矢量确定模块，用于对所述深层特征进行解码，得到剪切力矢量；将所述法向力、所述剪切力矢量 组合，得到三维力矢量。

8. 根据权利要求 7 所述的装置，其特征在于，所述解耦模块具体用于： 将所述融合特征输入选择性状态空间模型，所述选择性状态空间模型根据所述融合特征更新预设的状态更权 利 要 求 书 2 100001 2023.03 新公式的内部参数，得到更新参数； 所述模型根据所述融合特征、所述模型的上一时刻状态、所述更新参数和所述状态更新公式，确定当前时 刻状态； 根据所述当前时刻状态与预设的投影矩阵，得到所述时间序列压力数据解耦后的深层特征；所述投影矩阵 用于提取并解耦所述当前时刻状态的信息。 

9. 一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、 至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处 理器加载并执行以实现如权利要求 1-7 任一项所述的柔性表面三维力解耦方法。 

10. 一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码 集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如 权利要求 1-7 任一项所述的柔性表面三维力解耦方法。