本发明涉及机器人躯干运动控制方法，尤其涉及一种仿人机器人躯干运动规划方法，属于仿人机器人。
背景技术：
1、仿人机器人在构型设计上越来越像人，躯干和下肢结构扩大了手臂的操作范围，目前仿人机器人研究的重点在手臂的运动规划中，对仿人机器人躯干运动的研究甚少。
2、在机械构型方面，已经有许多机器人的人形设计，但目前的研究还集中在上肢与下肢。由于复杂的躯干机械结构设计会增加全身控制的难度，因此对于躯干部分往往采用简化的方法。大多数机器人的躯干设计是只有0-3个自由度的箱形身体。为了使机器人的仿人结构具有人体躯干的优良性能，对机器人躯干的结构设计进行了一些研究，如柔性脊柱仿人机器人，该机器人的脊柱具有5个球型关节。为了实现仿人双足机器人的平衡，在“通过躯干运动补偿三轴力矩的双足步行机器人的开发”一文中计算了躯干的运动，以补偿下肢和上肢运动产生的力矩。
3、对于具有下肢运动机构的机器人，躯干的运动需要考虑运动的整体平衡，然而，在下肢固定的情况下，重点考虑机器人动作的灵活性和舒适性；“从人类脊椎到人形机器人躯干”一文通过对人体脊柱、肌肉和韧带的研究，将人体躯干的运动分为三种运动方式，包括前后屈伸、旋转和侧向弯曲运动。基于躯干的三种运动方式，综合考量结构设计复杂度、控制难易程度和运动效果等方面，我们在仿人上肢体机器人中设计了一个具有三自由度全驱动串联结构的躯干。然而，如何让机器人的躯干像人类躯干一样运动还有待研究。
4、针对仿人上肢体机器人的躯干进行单独运动规划的工作还比较欠缺。传统的伪逆或者阻尼最小二乘法可以同时求解出仿人上肢体机器人各个关节的角速度，但是没有把不同关节进行功能划分，不能保证仿人机器人的动作自然。有文献根据可达性指数创建能力图，为了用更多的可选方案到达目标，该机器人躯干的位置应该使目标位于能力图的可达性指数在68和76之间的区域中，在此基础上结合能力图，可确定移动底盘在打开柜子过程中的运动位置，然而，躯干的构型在双臂任务执行过程中一直保持固定，并且能力图越精确，所需的存储空间就越大。另外，“一种速度级解耦的全身控制框架”一文提到，机器人的躯干被视为浮动基座，可以与双臂和头部解耦，基于该控制框架，可使躯干在双臂工作过程中保持某一构型不变，也可以随着双臂的运动而运动。
5、直接从人类行为中学习可以消除机械臂运动规划过程中复杂的建模过程。针对冗余机械臂，可以建立优化目标从而实现期望运动。但是针对冗余度较高的仿人机器人，难以建立准确的优化目标函数，因此使用模仿学习可以避免该建模过程，直接迁移人类的优化动作到机器人上。然而，使用模仿学习有三个困难。难点一在于如何收集用于学习的专家数据。收集专家数据的常用方法包括拖动示教、可穿戴运动捕捉系统和视觉相机；第二个难点是如何将专家数据应用于机器人；人体和机器人之间的构型差异导致所收集的专家数据无法直接应用于机器人；第三个难点在于如何确定网络输入的特征；机器人的结构复杂、自由度多，导致系统具有较多的特征信息，不经预先处理的输入会极大降低网络学习的效果。
6、鉴于上述，研究如何在仿人上肢体机器人协同操作过程中，生成仿人躯干动作，以实现更好的手臂运动亟待解决。
技术实现思路
1、本发明为克服现有技术的缺陷，进而提供一种仿人机器人躯干运动规划方法，使用本方法实现躯干关节角度的变化使的双臂末端保持较高的可操作度，提高了机器人的灵活性，便于双臂进行任务操作，而且使机器人整体消耗的能量最小。
2、一种仿人机器人躯干运动规划方法包含以下步骤：
3、s1、利用人体骨架识别技术识别人体演示动作；
4、s2、构建骨架识别点集合；
5、s3、建立从骨架识别点集合的笛卡尔空间到机器人躯干的关节空间的映射关系，获得机器人的躯干关节角度数据集；
6、s4、基于模仿学习采用神经网络训练骨架识别点中的坐标位置与躯干关节角度数据之间的关系；
7、s5、将神经网络训练得到的输出作为二阶系统模型的输入，经二阶系统模型计算得到期望的躯干关节角度和角速度，完成仿人机器人躯干的运动规划。
8、进一步地，步骤s1中用zed相机识别人体演示动作。
9、进一步地，步骤s2的骨架识别点集合包含人体演示的骨架识别点和从人体演示的骨架识别点中随机抽取数据组采用数据增强方法获得的骨架识别点。
10、更进一步地，所述数据增强方法获取骨架识别点的具体过程为：从已有的人体演示骨架点数据中随机抽取两点为一组，进行线性插值，每次得到四分之一、二分之一和四分之三等分点，获得三组骨架识别点，重复随机抽取次数并进行插值，最终获得数据增强后的若干组骨架识别点。
11、进一步地，所述骨架设别点集合的笛卡尔空间到机器人躯干的关节空间的映射关系的建立过程为：
12、由zed相机识别到人体上半身的骨架点，将其中的骨架点0、3、4、11作为关键点，建立人体坐标系为xbybzb，坐标原点o与骨架点0重合，xb为骨架点0指向骨架点22的方向，zb为竖直向上的方向，yb由右手系确定；第一躯干关节的角度值θt1定义为骨架点0和3的连线与zb方向之间的夹角。定义与0和3的连线垂直的面为p1，第二躯干关节的角度值θt2定义为骨架点4和11的连线在p1上的投影与xb的夹角，第三躯干关节的角度值θt3定义为骨架点4和11的连线与该连线在p1上的投影之间的夹角。
13、步骤s4中是使用全连接神经网络学习骨架点7和14的坐标位置与步骤s3中躯干关节角度数据之间的关系。
14、进一步地，步骤s5中二阶系统模型表示如下：
15、
16、式中，下角标i表示躯干的第i个关节，mi表示二阶系统的系统质量，kdi表示二阶系统的阻尼系数，ksi表示二阶系统的刚度系数，θti、和分别表示期望的躯干关节角度、角速度和角加速度，fei表示二阶系统的系统外力输入，等于神经网络训练的输出值，通过上列公式获得经过二阶系统处理后的期望关节角度和角速度。
17、本发明相比现有技术的有益效果是：
18、本发明主要研究在仿人上肢体机器人协同操作过程中，如何生成仿人躯干动作，以实现更好的手臂运动，针对上述难点分析，首先，提出了一种躯干与双臂和头部解耦合的逆运动学框架，并基于此框架，创造性地提出了“目标物-双臂-躯干”的串级控制逻辑，不同于直接将躯干自由度纳入头部视觉运动规划中，我们从提高双臂运动灵活性的角度出发，利用双臂的末端位置牵引躯干的运动；然后，将模仿学习应用于仿人机器人躯干的运动规划，使用视觉相机获取人任务操作过程中的人体骨架识别点，创新地提出将数据增强方法应用于加快人体估计识别点采样的过程中，建立了从人体骨架识别点的笛卡尔空间到机器人躯干的关节空间的映射关系，进而获得专家数据集用于神经网络训练；其次，创新地提出使用二阶系统模型实现躯干神经网络与双臂的速度级逆运动学的混合架构；最后，将本方法提的躯干运动规划方法在双臂可操作度、机器人总能量消耗等方面，与阻尼最小二乘法和躯干固定的方法进行对比，验证了本方法的可行性和优势。
19、下面结合附图和实施方式对本发明作进一步地说明：
1.一种仿人机器人躯干运动规划方法，其特征在于：包含以下步骤：
2.根据权利要求1所述一种仿人机器人躯干运动规划方法，其特征在于：步骤s1中用zed相机识别别人体演示动作。
3.根据权利要求1所述一种仿人机器人躯干运动规划方法，其特征在于：步骤s2的骨架识别点集合包含人体演示的骨架识别点和从人体演示的骨架识别点中随机抽取数据组采用数据增强方法获得的骨架识别点。
4.根据权利要求1所述一种仿人机器人躯干运动规划方法，其特征在于：所述数据增强方法获取骨架识别点的具体过程为：从已有的人体演示骨架点数据中随机抽取两点为一组，进行线性插值，每次得到四分之一、二分之一和四分之三等分点，获得三组骨架识别点，重复随机抽取次数并进行插值，最终获得数据增强后的若干组骨架识别点。
5.根据权利要求1所述一种仿人机器人躯干运动规划方法，其特征在于：所述骨架识别点集合的笛卡尔空间到机器人躯干的关节空间的映射关系的建立过程为：
6.根据权利要求1所述一种仿人机器人躯干运动规划方法，其特征在于：步骤s4中是使用全连接神经网络学习骨架点7和14的坐标位置与步骤s3中躯干关节角度数据之间的关系。
7.根据权利要求1所述一种仿人机器人躯干运动规划方法，其特征在于：步骤s5中二阶系统模型输出得到期望的躯干关节角度和角速度的具体过程为：
