本技术方案涵盖机器人异常动作监测的方法、设备、系统及存储介质,旨在提升动作检测技术。该方法涉及导入原始关节轴序列数据以构建时空图,基于此图构建训练模型,并进行模型分析以形成检测模型。随后,导入待检测的关节轴序列数据,使用检测模型进行异常动作的监测,得出结果。该技术能够快速定位异常动作,具有高响应速度和检测精度,有效降低伤害风险,满足工业场景对精度和时间性能的需求。
背景技术
工业机器人作为智能制造领域的关键装备,是提升工业生产自动化和智能化水平的坚实支撑。然而,随着工业机器人的广泛应用,机器人安全事故频发。由于机器人力量大、速度快,机器人安全事故轻则导致生产中断、设备损坏,重则造成人身伤害。在工业生产场景加装视觉系统,对工业机器人动作进行持续监控和分析可及时预警机器人安全事故。
工业机器人在执行任务的过程中涉及复杂多变的动作模式,导致异常动作的形式繁多,这使得异常动作检测具有挑战性。为了应对该挑战,需要对工业机器人的复杂动力学模型进行精细建模,并从正常动作中精准区分异常动作。这种建模过程不仅考虑时序数据,还涉及时间与空间维度的高度耦合关系。这种时空耦合意味着动作帧的变化不仅仅局限于空间或时间的单一维度,而是要求模型能够捕捉和理解工业机器人动作在时间和空间层面的耦合变化以及工业机器人结构的动态特性。已有研究中尝试通过不同数据驱动的方法来检测工业机器人的异常模式。现有技术通过重构误差区分异常或者使用高斯过程回归提高马尔可夫建模以计算工业机器人的异常状态并分类。但是,以上方法在处理高维数据和复杂时空关系时往往表现出局限性,易忽略一些重要特征或关联,无法准确挖掘隐藏在正常动作中的异常动作模式,导致检测精度不佳。对工业机器人动作时空特征与复杂动力学模型的高效理解与把握通常需要更深层网络,用于捕捉工业机器人动作的复杂关系,但伴随的代价为产生大量计算开销,这种高计算需求不仅增加了硬件资源的消耗,还会显著限制异常动作检测的响应速度。
实现思路