[0001] 本公开涉及运动机器人控制技术领域，具体涉及一种球类运动机器人的控制方法及系统。

[0002] 本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

[0003] 在羽毛球运动领域，随着人工智能和机器人技术的快速发展，羽毛球运动机器人的研发逐渐成为热点。这些机器人旨在模拟真实比赛环境，提供个性化训练或锻炼，以提升运动人员的技术水平和增加羽毛球爱好者锻炼和娱乐方式。然而羽毛球运动要求运动人员具备快速的反应、稳定的移动和精确的击球技巧。在训练中，针对这些技能的提升需要大量的重复练习和针对性的反馈。

[0004] 传统训练方法往往缺乏个性化指导，而且训练过程中频繁的球落地和重新启动训练环节会耗费大量时间，从而降低了训练效率，现有的羽毛球机器人控制在模拟真实比赛环境和提供个性化训练方面存在局限性，这些局限性限制了它们在高效训练中的应用，具体如下：（1）结构设计：目前羽毛球运动机器人的结构复杂，要求精度高，导致成本增加，且避障能力不足。

[0005] （2）移动速度与稳定性：传统羽毛球运动机器人在移动速度和稳定性方面存在不足，无法有效模拟人的快速移动和稳定击球。

[0006] （3）控制算法：现有的控制算法如动力学方程拟合法、BP神经网络和PID控制算法在精度和稳定性上存在局限，受环境、羽毛球形状规格的影响较大，且对系统模型敏感，参数选择不易。

[0007] （4）击球精确度：现有机器人在击球过程中易产生重心不稳的问题，影响机器人的稳定性和击球的精确度。

[0019] 下面结合附图与实施例对本公开作进一步说明。

[0020] 应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

[0021] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

[0022] 实施例1本公开的一种实施例中提供了一种球类运动机器人，如图2所示，所述球类运动机器人为双轮足、单臂带拍设计，如图3所示，单臂为机械臂，在机械臂头部设置球拍2，所述机械臂的关节为四自由度，每个关节由一个电机驱动，包括末端电机5、三号电机6、二号电机8以及一号电机12，每个关节都配备有传感器。

[0023] 进一步地，球拍2由拍子、碳纤维球拍杆3组成，碳纤维球拍杆3通过碳纤维支架4与机械臂连接，末端电机5安装在碳纤维支架4底部，碳纤维支架4的一侧安装三号电机，所述三号电机6连接第一碳纤维连接板7一端，所述第一碳纤维连接板7另一端通过第二碳纤维连接板9一端与二号电机8连接，第二碳纤维连接板9另一端连接碳纤维管11顶部，所述碳纤维管1上设置导电滑环10，所述一号电机设置在碳纤维管1的底部。

[0024] 如图5所示，所述碳纤维管1外部设置机身主体20，所述机身主体20两侧安装双轮足结构，机身主体20的下方设置电池摆动电机21，以及在下方的垂直轴上设置电池仓22，所述电池仓与所示电池摆动电机21电连接。

[0025] 进一步地，机械臂的主要结构采用碳纤维材料，这种材料具有高强度和低密度的特点，有助于减轻机械臂的重量，同时保持所需的强度和刚性。针对各种类型羽毛球击打的要求，并尽可能用较少的关节实现，故本机械臂采用4个自由度的关节就可满足需要，每个关节由一个电机驱动，允许机械臂在多个方向上移动和定位。关节和驱动系统：末端电机负责机械臂末端执行器（如球拍）的精细运动，实现击球动作。三号电机作为机械臂的一个主要关节，负责在垂直平面上的运动，如上下挥拍。二号电机负责机械臂的水平运动，如左右摆动，为击球提供方向控制。一号电机作为机械臂的基座关节，负责整体的旋转运动，使机械臂能够面向不同的方向。每个关节都配备有传感器，用于精确测量关节的角度和速度，提供反馈给控制系统，确保精确控制。

[0026] 电池仓作为动态平衡配重，通过其前后摆动位置的调整，优化了机器人的重心分布，实现了自动平衡控制。这种动态平衡控制是对传统静态配重设计的显著创新，它使得机器人在各种运动状态下都能保持稳定。本发明的球类运动机器人采用先进的控制策略，整合了双轮足平衡控制和运动控制，通过IMU传感器实时监测机器人的姿态，结合电池仓的动态调整，实现在快速移动中的稳定性和精确性。通过IMU传感器实时监测机器人的姿态，结合电池仓的动态调整，机器人能够在各种运动状态下保持平衡。这种控制策略通过动态调整电池仓的位置和角度来实现，直接影响机器人的重心分布，从而对其稳定性和操控性产生重要影响。同时，针对羽毛球运动的快速响应需求，机器人计算最短路径到达目标点，并利用双轮足的灵活性进行微调，通过迭代算法动态调整机械臂关节参数，确保击球的准确性和适应性。

[0027] 如图4所示，所述双轮足为主从轮式驱动结构，包括站立电机14、碳纤维方管以及大轮驱动电机总成，双轮足以及机械臂安装在机身主体两侧上，在机身主体下方的垂直轴上设置电池仓以及电池摆动电机，能够围绕垂直轴旋转。

[0028] 双轮足结构能够实现下蹲和站立两种姿态，轮足结构中，最底部设置有大轮19，大轮19连接第二碳纤维方管16，在第二碳纤维方管16上设置有传感器17以及大轮驱动电机总成18，在第二碳纤维方管16的顶部分别连接第一碳纤维方管15以及铝合金拉杆13，在第一碳纤维方管15头部安装有站立电机14。

[0029] 所述铝合金拉杆13以及第一碳纤维方管15能够围着第二碳纤维方管16旋转。

[0030] 进一步地，通过主从轮式驱动结构实现精确的速度和位置控制，提高了机器人的灵活性和稳定性。站立电机用于调整机器人的整体高度，实现站立和下蹲的动作，以适应不同的击球高度。碳纤维方管作为机械臂的支撑结构，提供必要的强度和稳定性，同时保持轻量化。大轮驱动电机总成负责驱动机器人的大轮，实现移动和跳跃动作。通过精确控制站立电机和大轮驱动电机，机器人能够实现跳跃动作，以完成高难度的击球。

[0031] 其中，电池仓配重动态平衡控制的工作原理为：双轮足球类运动机器人的动态平衡控制是通过动态调整电池仓的位置和角度来
实现的。这种调整直接影响机器人的重心分布，从而对其稳定性和操控性产生重要影响。电池仓的设计允许其前后壳体围绕垂直轴在一定角度范围内旋转，使得电池仓可以作为动态配重，通过其位置变化来优化机器人的重心分布，具体包括：
1）电池仓角度调整：
电池仓的设计使其能够绕垂直轴进行前后旋转。这种旋转改变了电池仓质心在垂直方向的位置，进而调整了机器人的重心高度和位置。

[0032] 2）重心位置计算：机器人的重心位置是所有部件质心位置的加权平均值。电池仓的旋转导致其质心位置改变，从而影响整个机器人的重心位置。

[0033] 3）平衡控制策略：机器人搭载有陀螺仪传感器实时监测其姿态变化。控制系统分析这些数据，计算出为维持或达到平衡所需做出的重心调整。然后，控制系统驱动电机调整电池仓的位置至计算出的最佳角度。
进一步地，电池仓配重动态平衡控制的计算过程如下：
假设条件：1）电池仓质量mb
2）机器人不包括电池仓时的重心高度hr
3）机器人总质量mr
4）电池仓质心到旋转轴的垂直距离d
5）电池仓旋转角度θ。

[0034] 步骤1.电池仓旋转对重心高度的影响：当电池仓绕垂直轴旋转一个角度θ时，其质心在垂直方向上的位置会发生变化，这个变化可以通过三角函数计算得出：
(θ)Δh=d⋅sin(θ)
其中，Δh表示电池仓旋转对机器人重心高度的影响。

[0035] 步骤2.新的重心位置计算：利用电池仓旋转对重心高度的影响，计算机器人新的位置计算hcg′：
hcg′=hcg+Δh
其中，hcg是机器人不包括电池仓时的原始重心位置。

[0036] 步骤3.力矩计算：计算电池仓摆动产生的力矩M(θ)：
M(θ)=mb⋅d⋅sin(θ)
其中，力矩是电池仓质量、质心到旋转轴的距离和旋转角度的正弦值的乘积。

[0037] 步骤4.稳定性考量：为了确保机器人的稳定性，需要限制电池仓的摆动速度和加速度。这可以通过控制力矩的大小来实现，确保力矩不超过机器人稳定操作的阈值。

[0038] 步骤5.能量消耗：电池仓的摆动会消耗能量，这需要在设计时考虑。能量消耗可以通过以下公式估算：E=∫M(θ)⋅ dt
其中， 是电池仓旋转的角速度。

[0039] 步骤6.闭环反馈控制的应用：系统监测：陀螺仪和加速度计监测机器人的倾斜角度和重心位置。

[0040] 误差计算：计算期望重心位置与实际重心位置之间的误差。

[0041] 控制算法：应用PID控制算法，根据误差调整电池仓的旋转角度θ。

[0042] 动态调整：实时监测机器人的姿态，根据实时数据动态调整电池仓的位置，以维持机器人的平衡。

[0043] 假设机器人在快速移动中检测到后倾，闭环反馈控制的过程如下：1)陀螺仪检测到后倾，反馈给控制系统。

[0044] 2)误差计算：控制系统计算后倾角度与水平状态的误差。

[0045] 3)控制算法：PID控制器根据误差计算调整量，决定电池仓需要前移的角度θ。

[0046] 执行调整：电机调整电池仓至新角度，减少后倾，恢复平衡。

[0047] 稳定性检查：在调整过程中，持续监测力矩和能量消耗，确保调整在安全范围内。

[0048] 动态调整：如果后倾持续或变化，控制系统继续根据实时数据调整电池仓位置。

[0049] 实施例2本公开的一种实施例中提供了一种球类运动机器人的控制方法，包括：
步骤一：获取羽毛球场内环境图像数据以及场外的运动图像数据；
步骤二：基于环境图像数据以及场外的运动图像数据，利用深度学习模型对羽毛球、机器人和运动人员位置进行识别；
步骤三：根据羽毛球、机器人和运动人员位置信息，使用跟踪算法实现羽毛球飞行轨迹的重建，并预测得到羽毛球击球点和落球点；
步骤四：获取机器人各机构运动状态以及本体IMU数据，基于各机构运动状态以及本体IMU数据对机器人进行姿态预测以及运动状态预测；
步骤五：基于预测的机器人姿态、运动状态、羽毛球击球点以及落球点，分别利用机器人动态平衡控制算法和MPC控制算法实现机器人自身的平衡控制以及击球动作控制；
其中，基于机器人姿态和运动状态构建动态运动模型，基于动态模型和预测的羽毛球击球点和落球点数据，利用MPC控制算法计算最优的关节角度和驱动轮速度，根据得到的关节角度和驱动轮速度驱动机器人完成各种击球动作。

[0050] 作为一种实施例，本公开的一种球类运动机器人的控制方法，结合“眼在身上模式”和“眼在身外模式”的视觉感知，利用高帧率和高分辨率的摄像头以及双目立体视觉系统，实现了对羽毛球三维运动的精确捕捉和实时跟踪以及运动预测，并优化机器人在场地不同区域的运动路径和击球策略。这种近距离与远距离视觉数据的结合，为机器人提供了全方位的羽毛球跟踪能力。

[0051] 其中，眼在身上模式为机器人内置双目相机，在视觉检测范围内，近距离视觉感知，捕捉羽毛球的近距离飞行轨迹，并实现避障功能。所述双目相机为配备一个高帧率、高分辨率的双目相机，模拟人类双眼，捕捉羽毛球的三维运动，并用于避障。

[0052] 进一步地，眼在身外模式为在场地两端分别安装两个高帧率、高分辨率外部摄像头，提供全方位的视觉覆盖，捕捉羽毛球的远距离运动、运动人员以及机器人的位置，远距离视觉感知，提供全方位的视觉覆盖，提高对羽毛球运动的跟踪能力，以及对机器人位置的实时定位。

[0053] 进一步地，利用外部摄像头提供全局定位信息，辅助机器人进行全场定位，具体包括：具体地，首先对羽毛球场地每侧端部的两个摄像头进行标定，确定内参（焦距、畸变系数等）和外参（两个摄像头之间的相对位置和角度）。常用的标定方法包括棋盘标定法等。

[0054] 将左右摄像头拍摄的图像进行校正，使它们的视差线水平对齐。这一步通过图像的立体矫正完成，以消除双目相机安装时的偏差。

[0055] 结合目前主流目标检测深度学习模型YOLO，利用羽毛球场内环境图像数据以及利用外部摄像头采集场外的运动图像数据进行羽毛球、机器人以及运动人员的检测，机器人的检测通过aruco检测。

[0056] 利用现有YOLO模型进行羽毛球、机器人和运动人员的识别检测，得到特征点，并对特征点进行匹配，对于匹配的特征点，计算在左右图像中的视差，通过视差和相机参数计算目标的深度，根据深度和左右摄像头的坐标系，将目标点的三维坐标（X, Y, Z）转换为实际空间中的位置。

[0057] 具体的，对于匹配的特征点，计算它们在左右图像中的位置差值（视差），通常使用视差图来表示目标与相机之间的深度关系。视差越小，目标越远；视差越大，目标越近。通过视差和相机参数（如焦距和基线距离，即两摄像头之间的距离），可以使用公式计算目标的深度（距离）：

[0058] 最后，根据深度和左右摄像头的坐标系，将目标点的三维坐标（X, Y, Z）转换为实际空间中的位置。

[0059] 另外，基于透视变换和几何模型的检测，获取场地四个角点的位置，计算透视变换矩阵，将球场映射到正视图，根据标准球场模型，校准标志线的位置。

[0060] 上述通过现有的YOLO模型实现羽毛球、机器人和运动人员的位置信息识别，接下来使用跟踪算法（卡尔曼滤波）进行实时的轨迹跟踪，最终输出羽毛球落球点以及击球点和机器人位置信息数据。

[0061] 进一步地，本公开构建了一个低延迟、高可靠性、高安全性的实时通信架构，利用5G网络和低延迟无线协议等技术，实现了机器人控制器与感知、执行模块之间的快速信息交换。采用了先进的边缘计算及控制算法，以实现在羽毛球场上的高效移动和精确击球。边缘计算节点1负责处理视觉数据，通过机器人本体相机和场外相机的信息，实现对羽毛球的精确跟踪和轨迹预测。边缘计算节点2则处理机器人的运动状态数据，包括速度、位置和IMU数据，以预测机器人的姿态并进行动态平衡控制。在本公开的羽毛球运动机器人中，边缘计算节点的部署是实现高效数据处理和实时控制的关键。边缘计算节点1和节点2分别承担不同的处理任务，以优化机器人的性能和响应速度。

[0062] 作为一种实施例，本公开的一种球类运动机器人的控制方法的具体过程如下：（1）系统初始化
启动系统：开启机器人系统，包括机器人本体相机、场外相机、各机构运行速度和位置传感器、本体IMU（惯性测量单元）以及电池仓位置传感器。

[0063] 自检程序：执行自检程序，确保所有硬件设备正常工作，包括通信链路、传感器数据流和执行器状态。

[0064] （2）数据采集机器人本体相机数据采集：通过机器人本体相机采集机器人周围的环境信息，用于羽毛球轨迹预测。

[0065] 场外相机数据采集：通过场外相机采集羽毛球、运动机器人及运动人员的数据，提供远距离视觉感知。

[0066] 机器人各机构运行速度和位置、本体IMU数据采集：实时采集机器人各机构的运行速度和位置数据，以及IMU数据，用于机器人运动控制和姿态估计。

[0067] 电池仓位置数据采集：监测电池仓的位置，确保电源供应稳定。

[0068] （3）边缘计算节点1羽毛球视觉检测数据处理，根据羽毛球视觉检测数据，提取羽毛球的关键特征，如速度、方向和旋转。

[0069] 通过对羽毛球运动数据的分析，拟合羽毛球轨迹并预测其未来位置。

[0070] 羽毛球击球点和落点预测，基于羽毛球轨迹和运动特征，预测击球点和落点，为机器人击球动作提供决策支持。

[0071] 进一步地，羽毛球轨迹拟合和未来位置预测的过程：1.数据采集与预处理
图像采集：使用机器人的双目相机和外部摄像头捕获羽毛球的运动图像。

[0072] 图像预处理：对图像进行去噪、增强等处理，以提高特征提取的准确性。

[0073] 2.利用YOLO进行特征提取与识别关键点检测：在图像中检测关键点，如羽毛球的边缘或特定标志点。

[0074] 特征匹配：在连续帧中匹配特征点，跟踪羽毛球的运动。

[0075] 3.三维轨迹重建立体视觉处理：结合双目视觉系统的数据，计算羽毛球的三维坐标。

[0076] 视差计算：利用左右图像间的视差信息，结合相机参数，计算羽毛球的深度信息。

[0077] 4.轨迹拟合多项式模型：使用多项式模型拟合羽毛球的轨迹。

[0078] 其中，和 分别是羽毛球的垂直和水平位置， 是多项式系数。

[0079] 高斯模型：使用高斯分布描述羽毛球轨迹的概率特性。

[0080]

[0081] 其中，是均值，表示预测的轨迹位置，是标准差，表示预测的不确定性。

[0082] 物理模型：考虑重力和空气阻力的影响，建立羽毛球的运动学方程。

[0083]

[0084] 其中，和 是水平和垂直速度，是重力加速度，是阻力系数， 是羽毛球质量。

[0085] 5.轨迹预测状态空间模型：构建羽毛球的状态空间模型，包括位置、速度和加速度等状态变量。

[0086]

[0087]

[0088] 其中，是状态向量，是控制输入，是观测向量。

[0089] 预测算法：如果目标在连续的帧中被成功跟踪，那么可以更新目标的位置信息，并在后续帧中继续跟踪该目标，同时应用卡尔曼滤波或粒子滤波等方法来预测和修正羽毛球的轨迹。

[0090] 具体地，使用现有扩展卡尔曼滤波对观测数据进行滤波，减少测量噪声，提高轨迹预测的准确性。同时，建立羽毛球运动学方程，通过最小二乘法求解参数，实现轨迹跟踪与预测。

[0091] 具体地，建立羽毛球运动学方程，通过最小二乘法求解参数，实现轨迹跟踪与预测包括：1）建立模型：根据羽毛球的飞行特性，建立羽毛球的空气动力学模型。这通常涉及到考虑空气阻力、重力、升力等因素对羽毛球轨迹的影响。

[0092] 2）参数求解：使用最小二乘法求解羽毛球运动学方程的参数。这涉及到收集一系列观测数据，然后通过最小化观测数据和模型预测之间的误差来估计模型参数。

[0093] 进一步地，1）模型误差和测量误差：在预测过程中，由于存在模型误差和测量误差，可以通过贝叶斯滤波，如扩展卡尔曼滤波，来计算羽毛球状态的最大似然估计。

[0094] 2）非线性滤波器：对于非线性模型，扩展卡尔曼滤波可能不足以提供高精度的估计。在这种情况下，可以考虑使用无迹卡尔曼滤波（UKF）或粒子滤波（PF）来提高估计的准确性。

[0095] 作为一种实施例，本公开能够实时更新和预测：1）更新轨迹点：为了提高预测的实时性和准确性，可以采用更新轨迹点的方法，即在最小二乘法的基础上，不断加入新的观测点并去掉最旧的点，以重新拟合轨迹曲。

[0096] 2）误差分析：通过比较不同预测方法的误差，选择误差最小的方法。例如，更新轨迹点的最小二乘法可以显著减少预测误差，提高预测的精确度。

[0097] 通过上述步骤，可以有效地对羽毛球的轨迹进行跟踪和预测，从而为羽毛球机器人或其他相关应用提供准确的运动信息。

[0098] 将上述过程循环应用于视频序列的每一帧，以实现对羽毛球这类小目标的连续跟踪，并结合羽毛球的飞行特性进行算法优化。

[0099] 通过上述详细过程，机器人能够准确地拟合羽毛球的轨迹，并预测其未来位置，为机器人的击球动作提供科学的决策支持。这种基于多模态感知的轨迹预测方法能够充分利用不同传感器的优势，提高系统的鲁棒性和准确性。

[0100] （4）边缘计算节点2获取机器人视觉检测结果（识别的位置）、各机构运行速度和本体IMU数据，综合处理机器人的视觉检测数据和IMU数据，用于机器人的姿态估计和运动控制。

[0101] 机器人姿态预测：预测机器人在未来时刻的姿态，为动态平衡控制提供依据。

[0102] 具体地，采用现有物理模型（如牛顿‑欧拉方程）和机器学习算法（如神经网络）预测机器人的未来姿态。

[0103] （5）获取机器人各机构运动状态以及本体IMU数据，基于各机构运动状态以及本体IMU数据对机器人进行姿态预测以及运动状态预测；基于预测的机器人姿态、运动状态、羽毛球击球点以及落球点，分别利用机器人动态平衡控制算法和MPC控制算法实现机器人自身的平衡控制以及击球动作控制；
其中，基于机器人姿态和运动状态构建动态运动模型，基于动态模型和预测的羽毛球击球点和落球点数据，利用MPC控制算法计算最优的关节角度和驱动轮速度，根据得到的关节角度和驱动轮速度驱动机器人完成各种击球动作。

[0104] 调整电池仓的位置，以优化机器人的重心分布，提高击球的稳定性和准确性。

[0105] 作为一种实施例，实现机器人运动过程的避障操作，利用代价函数受目标方向、机器人当前方向、之前选择的方向三个因素影响，通过调节权重调整机器人的选择偏好，实现机器人的运动避障。

[0106] 1）定义一个代价函数，该函数受三个因素影响：目标方向（羽毛球的预测位置）、机器人当前方向、之前选择的方向。

[0107] 2）代价函数可以表示为：

[0108] 其中， 是权重系数，用于调节各因素对避障决策的影响程度。D目标是目标方向与机器人当前方向之间的偏差，D当前是机器人当前方向与运动方向之间的偏差，D之前是之前选择的方向与机器人当前方向之间的偏差。

[0109] 通过调节权重系数 ,可以调整机器人的避障策略。例如，如果更重视快速接近目标，可以增加w1的值。权重的调整可以根据机器人的当前状态、历史行为和环境特性进行动态调整。

[0110] 进一步地，根据代价函数计算不同避障路径的代价，并选择代价最小的路径作为避障路径。避障路径的计算可以结合机器人的动态运动模型，考虑机器人的速度、加速度和转向限制。

[0111] 具体地，利用路径规划算法（如A*算法、RRT算法等）根据避障路径规划机器人的移动轨迹。路径规划需要考虑机器人的动力学和运动学约束，确保路径的可行性。

[0112] 将规划的避障路径转换为机器人的控制指令，如电机的转速和转向角度。

[0113] 通过机器人的控制系统执行这些指令，实现避障。

[0114] 实时监测机器人的避障执行情况，通过传感器反馈调整避障策略。

[0115] 进一步地，如果避障执行不理想，重新计算代价函数和避障路径，进行动态调整。

[0116] 通过模拟或实际运行评估避障算法的效果，包括避障成功率、路径优化程度和响应时间等。根据评估结果进一步优化避障算法。

[0117] 并且，实时判断机器人与障碍物之间的距离是否会发生碰撞，如果碰撞风险大，需立即修改机器人的运动方向或停止运动。

[0118] 最后，系统复位：完成击球动作后，系统进入复位状态，准备下一次击球动作或系统关闭。

[0119] 以上具体实施方式详细描述了从系统初始化到数据采集、处理、控制算法执行，再到机器人动作执行的全过程，确保了机器人能够准确、高效地完成羽毛球击球任务。通过机器人动态平衡控制算法和MPC控制算法的应用，机器人能够在保持动态平衡的同时，实现精确的运动控制和击球动作。

[0120] 实施例3本公开的一种实施例中提供了一种球类运动机器人的控制系统，包括：
数据获取模块，用于获取羽毛球场内环境图像数据以及场外的运动图像数据；
羽毛球轨迹预测模块，用于基于环境图像数据以及场外的运动图像数据，利用深度学习模型对羽毛球、机器人和运动人员位置进行识别；根据羽毛球、机器人和运动人员位置信息，使用跟踪算法实现羽毛球飞行轨迹的重建，并预测得到羽毛球击球点和落球点；
机器人运动姿态预测模块，用于获取机器人各机构运动状态以及本体IMU数据，基于各机构运动状态以及本体IMU数据对机器人进行姿态预测以及运动状态预测；
控制模块，用于基于预测的机器人姿态、运动状态、羽毛球击球点以及落球点，分别利用机器人动态平衡控制算法和MPC控制算法实现机器人自身的平衡控制以及击球动作控制；
其中，基于机器人姿态和运动状态构建动态运动模型，基于动态模型和预测的羽毛球击球点和落球点数据，利用MPC控制算法计算最优的关节角度和驱动轮速度，根据得到的关节角度和驱动轮速度驱动机器人完成各种击球动作。

[0121] 实施例4本公开的一种实施例中提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现所述的一种球类运动机器人的控制方法。

[0122] 实施例5本公开的一种实施例中提供了一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现所述的一种球类运动机器人的控制方法。

[0123] 本公开是参照根据本公开实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

[0124] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

[0125] 上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。