[發(fā)明專利]一種機(jī)器人準(zhǔn)周期運(yùn)動演示學(xué)習(xí)方法

有效

• 申請?zhí)枺?/td>: 201810295971.1
• 申請日: 2018-03-30
• 公開（公告）號: CN108537268B
• 公開（公告）日: 2021-10-15
• 發(fā)明（設(shè)計）人: 程紅太;李瀟
• 申請（專利權(quán)）人: 煙臺維度機(jī)器人有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 煙臺上禾知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 37234
• 代理人: 劉志毅

本發(fā)明公開了一種機(jī)器人準(zhǔn)周期運(yùn)動演示學(xué)習(xí)方法，依次采用分類、分解、建模以及合成技術(shù)實(shí)現(xiàn)機(jī)器人準(zhǔn)周期運(yùn)動的學(xué)習(xí)與泛化復(fù)現(xiàn)功能，即先利用分類方法確定運(yùn)動軌跡為周期運(yùn)動、非周期運(yùn)動或準(zhǔn)周期運(yùn)動；再利用分解算法逐一將準(zhǔn)周期運(yùn)動分解為周期運(yùn)動和非周期運(yùn)動；然后分別對周期運(yùn)動和非周期運(yùn)動進(jìn)行建模學(xué)習(xí)與預(yù)測，最后根據(jù)準(zhǔn)周期運(yùn)動的定義式將學(xué)習(xí)后的各分量合成一個新的準(zhǔn)周期運(yùn)動。本發(fā)明成功地表征了非結(jié)構(gòu)環(huán)境下復(fù)雜的機(jī)器人運(yùn)動軌跡?準(zhǔn)周期運(yùn)動，有效地解決了該類復(fù)雜軌跡的傳統(tǒng)自動規(guī)劃系統(tǒng)方法的功能單一、普適性差等技術(shù)難題。

技術(shù)領(lǐng)域

本發(fā)明涉及機(jī)器人運(yùn)動軌跡演示學(xué)習(xí)技術(shù)領(lǐng)域，尤其涉及一種機(jī)器人準(zhǔn)周期運(yùn)動演示學(xué)習(xí)方法。

背景技術(shù)

演示學(xué)習(xí)(Learning from Demonstration(LfD))是一種通過人機(jī)互動、示教，將人的技能傳授給機(jī)器人的技術(shù)，可以大大減化編程、提高學(xué)習(xí)效率。LfD的核心是對機(jī)器人運(yùn)動軌跡進(jìn)行數(shù)據(jù)表征與學(xué)習(xí)。目前大多數(shù)學(xué)者都致力于研究機(jī)器人非周期運(yùn)動軌跡的建模學(xué)習(xí)方法，譬如神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks(ANNs))、隱馬爾可夫模型(Hidden Markov Model(HMM))在早期用來解決感知問題和復(fù)現(xiàn)問題，但是這兩種方法需要過多的樣本數(shù)據(jù)才能訓(xùn)練出理想的模型。Calinon使用高斯混合模型(Gaussian MixtureModel(GMM))對軌跡編碼，并利用高斯混合回歸(Gassian Mixture Regression(GMR))泛化復(fù)現(xiàn)不同環(huán)境下魯棒的運(yùn)動軌跡。該方法經(jīng)過改進(jìn)，既可以用于對運(yùn)動軌跡進(jìn)行分割，又可以通過引入任務(wù)參數(shù)，增強(qiáng)模型在新環(huán)境下的適應(yīng)和泛化能力。Ijspeert和Schaal提出動態(tài)元動作模型(Dynamic Motion Primitive(DMP))對軌跡進(jìn)行建模，并利用非參數(shù)回歸在不同環(huán)境下復(fù)現(xiàn)運(yùn)動。它致力于學(xué)習(xí)動態(tài)系統(tǒng)而不是運(yùn)動本身。因此其復(fù)現(xiàn)過程既靈活又穩(wěn)定，但是很難調(diào)整合適的參數(shù)去生成新的模型以適應(yīng)各種場合。雖然這些方法可以解決LfD領(lǐng)域的運(yùn)動軌跡表征與學(xué)習(xí)問題。但是這些方法并不能表征與學(xué)習(xí)非結(jié)構(gòu)環(huán)境(一是環(huán)境中物體的位置不確定，二是環(huán)境中物體類型多樣)下的復(fù)雜運(yùn)動軌跡，譬如非結(jié)構(gòu)環(huán)境下軸孔裝配的搜索軌跡和曲面零件的噴涂、打磨軌跡。該類運(yùn)動的傳統(tǒng)建模方法都是基于單一功能設(shè)計的自動軌跡規(guī)劃系統(tǒng)。譬如Heping Chen等學(xué)者提出了一種基于自由曲面(free-form surfaces)、CAD模型(CAD modle)、工具模型(Tool modle)的噴涂軌跡自動規(guī)劃系統(tǒng)。BASANEZ等學(xué)者也基于零件CAD模型設(shè)計了一個機(jī)器人拋光系統(tǒng)。但是這些系統(tǒng)缺乏普適性，功能單一，編程復(fù)雜。綜上所述，目前的演示學(xué)習(xí)手段與軌跡自動規(guī)劃系統(tǒng)并不能充分表征該類復(fù)雜運(yùn)動軌跡。

發(fā)明內(nèi)容

本發(fā)明的目的是針對現(xiàn)有技術(shù)的不足，提出一種機(jī)器人準(zhǔn)周期運(yùn)動演示學(xué)習(xí)方法。

本發(fā)明的目的是通過以下技術(shù)方案來實(shí)現(xiàn)的：

一種機(jī)器人準(zhǔn)周期運(yùn)動演示學(xué)習(xí)方法，包括：

步驟1、當(dāng)確定機(jī)器人運(yùn)動軌跡為準(zhǔn)周期運(yùn)動時，對所述運(yùn)動軌跡依次進(jìn)行偏移量提取、諧波分離、包絡(luò)提取以及相位識別，逐一將準(zhǔn)周期運(yùn)動分解為一系列周期運(yùn)動和非周期運(yùn)動；

步驟2、采用高斯混合模型GMM和高斯混合回歸GMR分別對周期運(yùn)動和非周期運(yùn)動中的各分量進(jìn)行建模學(xué)習(xí)與預(yù)測；

步驟3、根據(jù)如下定義式將學(xué)習(xí)后的各分量合成為新的準(zhǔn)周期運(yùn)動：

其中，γ為偏移量，ξ_ij為包絡(luò)分量，χ_ij為諧波分量，N為非線性組合的周期運(yùn)動和非周期運(yùn)動的數(shù)量，C為周期運(yùn)動的傅里葉級數(shù)展開式中諧波成分的次數(shù)。

在上述技術(shù)方案的基礎(chǔ)上，本發(fā)明還可以做如下改進(jìn)。

進(jìn)一步，所述步驟1之前，還包括：