[發明專利]一種云邊端協同的柔性產線機器人學習系統及方法

有效

• 申請號: 202310026528.5
• 申請日: 2023-01-09
• 公開（公告）號: CN115730475B
• 公開（公告）日: 2023-05-19
• 發明（設計）人: 吳鴻敏;徐智浩;周雪峰;廖昭洋;唐觀榮;孫克爭;歐陽旻;段鑫
• 申請（專利權）人: 廣東省科學院智能制造研究所
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F9/50;G06N3/008
• 代理公司: 廣州科粵專利商標代理有限公司 44001
• 代理人: 鄧潮彬;黃培智

1.一種柔性產線機器人學習方法，其特征在于，包括：

對柔性產線機器人操作技能進行采集與標注，建立機器人作業技能庫，實現機器人操作任務的技能化解析與表征；

基于所述技能化解析與表征，通過機器人操作技能建模與學習方法來獲得機器人操作技能模型；

在虛擬仿真環境中訓練機器人操作技能模型，實現機器人操作技能的虛實遷移與衍生，生成機器人操作指令；

所述機器人操作技能建模與學習方法包括：

將高維演示軌跡參數化，建立高維輸入與輸出的對應關系：

（1）

其中，是對角矩陣、是服從正態分布的權重向量，定義為維的基函數，R表示毆幾里得空間,是輸入變量?與輸出變量的非線性函數，表示轉置，分別表示為基函數維度、輸出變量維度、基函數維度與輸出變量維度的乘積；

建立演示軌跡中輸入與輸出的概率模型：

（2）

將機器人操作技能學習的目標設計為給定任一次演示軌跡的時刻輸入與輸出，找到信息量損失最少的軌跡點；那么，針對式（2）所建立概率模型中兩項未知參數與的學習問題，采用基于信息論中相對熵模型建立目標函數，最小化信息損失量，實現機器人操作技能模型的建模。

2.如權利要求1所述的柔性產線機器人學習方法，其特征在于，所述目標函數定義為：

（3）

其中，表示兩個概率分布的相對熵；分別表示某一時刻及總時長；分別表示時刻的輸入與輸出變量；表示信息量損失最小的軌跡點；表示對數運算；通過分別對目標函數中的與進行求解，并增加額外的懲罰項；對未知參數的估計值如下：

（4）

其中，；對式中基函數的運算定義成核函數運算的形式。

3.如權利要求2所述的柔性產線機器人學習方法，其特征在于，采用核嶺回歸方法別對目標函數中的與進行求解，并增加額外的懲罰項。

4.如權利要求1所述的柔性產線機器人學習方法，其特征在于，對虛擬仿真環境中的物理屬性參數和動力學參數進行域隨機化，使得機器人在訓練過程中適應圖像、力、運動、反饋特征的不確定性，以實現機器人操作技能模型的虛實遷移。

5.一種云邊端協同的柔性產線機器人學習系統，其特征在于，包括：

邊端，其用于對柔性產線機器人操作技能進行采集與標注，建立機器人作業技能庫，實現機器人操作任務的技能化解析與表征；

云端，其存儲有機器人操作技能建模與學習方法，基于技能化解析與表征，通過所述機器人操作技能建模與學習方法來獲得機器人操作技能模型；

所述邊端設置有仿真訓練平臺，在仿真訓練平臺的虛擬仿真環境中訓練機器人操作技能模型，實現機器人操作技能的虛實遷移與衍生，生成機器人操作指令；

所述機器人操作技能建模與學習方法，包括：

將高維演示軌跡參數化，建立高維輸入與輸出的對應關系：

（1）

其中，是對角矩陣、是服從正態分布的權重向量，定義為維的基函數，R表示毆幾里得空間,是輸入變量?與輸出變量的非線性函數，表示轉置，分別表示為基函數維度、輸出變量維度、基函數維度與輸出變量維度的乘積；

建立演示軌跡中輸入與輸出的概率模型：

（2）

將機器人操作技能學習的目標設計為給定任一次演示軌跡的時刻輸入與輸出，找到信息量損失最少的軌跡點；那么，針對式（2）所建立概率模型中兩項未知參數與的學習問題，采用基于信息論中相對熵模型建立目標函數，最小化信息損失量，實現機器人操作技能模型的建模。

6.如權利要求5所述的云邊端協同的柔性產線機器人學習系統，其特征在于，所述目標函數定義為：

（3）

其中，表示兩個概率分布的相對熵；分別表示某一時刻及總時長；分別表示時刻的輸入與輸出變量；表示信息量損失最小的軌跡點；表示對數運算；通過分別對目標函數中的與進行求解，并增加額外的懲罰項；對未知參數的估計值如下：

（4）

其中，；對式中基函數的運算定義成核函數運算的形式。