[發明專利]人機協作下基于Tc-ProMps算法的多模式人體動作預測方法

有效

• 申請號: 201810072899.6
• 申請日: 2018-01-25
• 公開（公告）號: CN108284444B
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 儲繼慎;亞徳;易陽;陳溪
• 申請（專利權）人: 南京工業大學
• 主分類號: B25J9/16
• 分類號: B25J9/16;G06K9/00;G06K9/62
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 董建林

1.人機協作下基于Tc-ProMps算法的多模式人體動作預測方法，其特征在于，將工業生產線中的協作任務拆分為由工業機器人完成的任務A和由人手操作完成的任務B，所述工業機器人首先觀察人手工作的行為狀態，并通過基于Tc-ProMps算法的預測模型對所述人手工作的動作意圖進行預測，實現人手動作的位移軌跡、速度軌跡和終點位置的預測，在人機協作過程中能夠為協作控制器提供預測控制，促使人與機器人并行協作，加快生產效率；

所述動作預測方法具體包括：步驟SS1：離線訓練步驟；步驟SS2：在線預測步驟；

所述在線預測步驟具體包括：

步驟SS21：工業機器人通過kinect視覺傳感器觀察人手動作，判斷動作初始點，并實時采集人手末端位置及手臂關節角度數據；

步驟SS22：以任意樣本子單元D_i為初始條件，根據當前觀測的部分動作數據，結合TC算法搜索匹配的時間周期及當前動作相位；

步驟SS23：據貝葉斯定理，由所觀測的部分動作數據為條件，由樣本子單元D_i的權值向量w_i計算動作后驗概率，即并推斷出動作軌跡時間序列；

步驟SS24：通過海格林距離計算預測軌跡與各個樣本子單元D_i，i＝1：D之間的距離，計算得到最小距離樣本單元得到其權值向量

步驟SS25：使用重復所述步驟SS22到所述步驟SS24的內容，直到步驟SS22所使用的初始樣本D_i等于所述步驟SS24計算得到的最小距離樣本單元得到人手動作軌跡概率分布模型；

步驟SS26：根據所述步驟SS25生成的概率軌跡分布模型，結合凸理論方法，得到人手動作的動態方程模型；

步驟SS27：重復所述步驟SS21到所述步驟SS26，人手動作的動態方程模型隨著觀測量的增加不斷迭代更新。

2.根據權利要求1所述的人機協作下基于Tc-ProMps算法的多模式人體動作預測方法，其特征在于，所述離線訓練步驟具體包括：

步驟SS11：利用Kinect深度視覺傳感器，采集人手操作所述任務B的數據樣本，所述數據樣本包括不少于10名操作個體、上下左右四類不同目標位置、以及快中慢三類運動速度，并對采集到的所述數據樣本進行濾波去噪，動作分割，和歸一化處理；

步驟SS12：使用K近鄰分類算法對所述數據樣本進行聚類分割，將一類動作劃分為D個動作子單元，以提高預測的準確度；

步驟SS13：對經所述步驟SS12處理后的所述數據樣本進行運動基元建模，通過概率運動基元算法獲取具有所述任務B運動技能的權值向量w及其概率分布，獲取每個所述動作子單元的特征向量w_d及其概率分布(μ_d，∑_d)，d＝1：D。

3.根據權利要求2所述的人機協作下基于Tc-ProMps算法的多模式人體動作預測方法，其特征在于，所述步驟SS26中的人手動作的動態方程模型為：

其中，Φ表示高斯基函數，表示高斯噪聲。

4.根據權利要求2所述的人機協作下基于Tc-ProMps算法的多模式人體動作預測方法，其特征在于，所述在線預測步驟具體包括：

根據貝葉斯理論，預測模型可從人手工作任務B的任意時刻開始預測，且預測軌跡高斯基函數的權值向量w的后驗概率分布可表示為：其中，y_1：T表示任一條軌跡，t_m＜T；

預測軌跡中的權值向量w的均值和協方差的更新公式可表示為：其中，

5.根據權利要求2所述的人機協作下基于Tc-ProMps算法的多模式人體動作預測方法，其特征在于，所述在線預測步驟還包括：

通過海格林距離計算根據貝葉斯定理得到的權值向量與各個樣本子單元D_i，i＝1：D的權值向量w_i之間的距離，計算得到最小距離樣本單元得到其權值向量

6.根據權利要求2所述的人機協作下基于Tc-ProMps算法的多模式人體動作預測方法，其特征在于，所述在線預測步驟還包括：

對于兩個概率分布：P～N(μ₁，∑₁)和Q～N(μ₂，∑₂)的海格林距離計算公式可表示為：

根據通過貝葉斯理論實時更新在線預測軌跡的權值向量通過海格林距離公式得到最小距離樣本單元最終生成的人手預測軌跡可表示為：