一种机器人准周期运动演示学习方法技术

本发明专利技术公开了一种机器人准周期运动演示学习方法，依次采用分类、分解、建模以及合成技术实现机器人准周期运动的学习与泛化复现功能，即先利用分类方法确定运动轨迹为周期运动、非周期运动或准周期运动；再利用分解算法逐一将准周期运动分解为周期运动和非周期运动；然后分别对周期运动和非周期运动进行建模学习与预测，最后根据准周期运动的定义式将学习后的各分量合成一个新的准周期运动。本发明专利技术成功地表征了非结构环境下复杂的机器人运动轨迹‑准周期运动，有效地解决了该类复杂轨迹的传统自动规划系统方法的功能单一、普适性差等技术难题。

A demonstration learning method for quasi periodic motion of robots

The invention discloses a learning method for robot quasi-periodic motion demonstration, which realizes the learning and generalization of robot quasi-periodic motion by means of classification, decomposition, modeling and synthesis technology in turn, that is, the trajectory of robot quasi-periodic motion is determined to be periodic motion, aperiodic motion or quasi-periodic motion by means of classification method, and then decomposition is used. The quasi-periodic motion is decomposed into periodic motion and aperiodic motion one by one, and then the periodic motion and aperiodic motion are modeled and predicted respectively. Finally, a new quasi-periodic motion is synthesized according to the definition of quasi-periodic motion. The invention successfully characterizes the quasi-periodic motion of a complex robot trajectory in an unstructured environment, and effectively solves the technical problems of single function and poor universality of the traditional automatic planning system method for such complex trajectory.

【技术实现步骤摘要】
一种机器人准周期运动演示学习方法
本专利技术涉及机器人运动轨迹演示学习
，尤其涉及一种机器人准周期运动演示学习方法。
技术介绍
演示学习(LearningfromDemonstration(LfD))是一种通过人机互动、示教，将人的技能传授给机器人的技术，可以大大减化编程、提高学习效率。LfD的核心是对机器人运动轨迹进行数据表征与学习。目前大多数学者都致力于研究机器人非周期运动轨迹的建模学习方法，譬如神经网络(ArtificialNeuralNetworks(ANNs))、隐马尔可夫模型(HiddenMarkovModel(HMM))在早期用来解决感知问题和复现问题，但是这两种方法需要过多的样本数据才能训练出理想的模型。Calinon使用高斯混合模型(GaussianMixtureModel(GMM))对轨迹编码，并利用高斯混合回归(GassianMixtureRegression(GMR))泛化复现不同环境下鲁棒的运动轨迹。该方法经过改进，既可以用于对运动轨迹进行分割，又可以通过引入任务参数，增强模型在新环境下的适应和泛化能力。Ijspeert和Schaal提出动态元动作模型(DynamicMotionPrimitive(DMP))对轨迹进行建模，并利用非参数回归在不同环境下复现运动。它致力于学习动态系统而不是运动本身。因此其复现过程既灵活又稳定，但是很难调整合适的参数去生成新的模型以适应各种场合。虽然这些方法可以解决LfD领域的运动轨迹表征与学习问题。但是这些方法并不能表征与学习非结构环境(一是环境中物体的位置不确定，二是环境中物体类型多样)下的复杂运动轨迹，譬如非结构环境下轴孔装配的搜索轨迹和曲面零件的喷涂、打磨轨迹。该类运动的传统建模方法都是基于单一功能设计的自动轨迹规划系统。譬如HepingChen等学者提出了一种基于自由曲面(free-formsurfaces)、CAD模型(CADmodle)、工具模型(Toolmodle)的喷涂轨迹自动规划系统。BASANEZ等学者也基于零件CAD模型设计了一个机器人抛光系统。但是这些系统缺乏普适性，功能单一，编程复杂。综上所述，目前的演示学习手段与轨迹自动规划系统并不能充分表征该类复杂运动轨迹。
技术实现思路
本专利技术的目的是针对现有技术的不足，提出一种机器人准周期运动演示学习方法。本专利技术的目的是通过以下技术方案来实现的：一种机器人准周期运动演示学习方法，包括：步骤1、当确定机器人运动轨迹为准周期运动时，对所述运动轨迹依次进行偏移量提取、谐波分离、包络提取以及相位识别，逐一将准周期运动分解为一系列周期运动和非周期运动；步骤2、采用高斯混合模型GMM和高斯混合回归GMR分别对周期运动和非周期运动中的各分量进行建模学习与预测；步骤3、根据如下定义式将学习后的各分量合成为新的准周期运动：其中，γ为偏移量，ξij为包络分量，χij为谐波分量，N为非线性组合的周期运动和非周期运动的数量，C为周期运动的傅里叶级数展开式中谐波成分的次数。在上述技术方案的基础上，本专利技术还可以做如下改进。进一步，所述步骤1之前，还包括：利用快速傅里叶变换FFT的频谱图特性，确定机器人运动轨迹为周期运动、非周期运动或准周期运动。进一步，所述利用快速傅里叶变换FFT的频谱图特性，确定机器人运动轨迹为周期运动、非周期运动或准周期运动，具体包括：当f＝0时，幅值大于预设阈值，那么该运动轨迹为非周期运动；当f＝0时，幅值不存在，当f＝nf0时，幅值大于预设阈值，那么该运动轨迹为周期运动；当f＝0以及f＝nf0时，幅值均大于预设阈值，那么该运动轨迹为准周期运动；其中，f为频率，n为整数，f0为基频。进一步，所述偏移量提取采用经验模态分解EMD方法，得到偏移量γ。进一步，所述谐波分离采用陷波滤波器notchfilter方法，得到只有一个频率成分的具有幅度调制的谐波分量ξijχij。进一步，所述包络提取采用Hilbert变换方法，得到包络分量ξij。进一步，谐波分量χij的表达式为：其中，Ωi为一次谐波成分的角频率，为第j次谐波分量的相位角。进一步，所述相位角的表达式为：其中，K为峰值的个数，tpi和ki为谐波分量χij的峰值和时间，ω为谐波分量χij的角频率，αj为相位补偿系数。本专利技术与现有技术相比，具有的有益效果是：⑴建模算法选用GMM/GMR模型，可以学习泛化不同应用场合不同功能的准周期运动轨迹，进而使得该专利技术成功地解决了传统的准周期运动规划系统的功能单一性难题。⑵GMM/GMR的轨迹强泛化复现能力，该专利技术成功地解决了传统的准周期运动规划系统没有泛化预测能力的难题。⑶针对目前现有的演示学习手段，该专利技术可以处理更具有一般意义的运动轨迹，解决非结构环境下的复杂运动轨迹表征与学习的难题。附图说明图1为本专利技术实施例提供的一种机器人准周期运动演示学习方法的流程示意图。具体实施方式以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。本专利技术中所指的准周期运动的概念，是根据譬如高精度装配的初始搜索运动与曲面零件的打磨、喷涂操作形成的复杂轨迹而提出的，其运动轨迹函数定义式为：其中，u0(t)为偏移量，2ui(t)为周期成分，1ui(t)为相应的包络成分。u0(t)和1ui(t)都是非周期运动，2ui(t)是周期运动，N为非线性组合的周期运动和非周期运动的数量。周期成分2ui(t)根据傅里叶级数展开式等效为：其中，Ai0、Aij、Ωi、和C均是傅里叶级数展开式中的系数，Ai0--直流分量，Aij--振幅，Ωi--(基频)一次谐波成分的角频率，--第j次谐波成分的相位角，C--周期运动的傅里叶级数展开式中谐波成分的次数。进而提出准周期运动u(t)的等效模型如下：其中，ξij＝1uiAij，即γ为等效模型的偏移分量，ξij为等效模型的包络分量，χij为谐波分量。如图1所示，本专利技术实施例提供的一种机器人准周期运动的演示学习方法包括如下步骤：⑴分类：利用快速傅里叶变换(FastFouriertransform(FFT))的频谱图特性，对轨迹进行分类，确定机器人运动轨迹为周期运动、非周期运动或准周期运动。若频谱存在只具有直流分量(即当f＝0时，幅值大于预设阈值)，那么该运动轨迹为非周期运动；若频谱不存在直流分量(即当f＝0时，幅值不存在)，但其频谱在频率f＝nf0(其中，n为整数，f0为基频)处幅值大于预设阈值，那么该运动轨迹为周期运动；若频谱既存在直流分量，又在频率f＝nf0处的幅值大于预设阈值，那么该运动轨迹为准周期运动。对于非周期运动和周期运动，直接应用现有的GMM/GMR方法进行建模，对于准周期运动则继续进行后续处理。⑵系统化分解：先利用经验模态分解(EmpiricalModeDecomposition(EMD))方法提取出偏移量γ；再利用陷波滤波器(notchfilter)方法进行谐波分离得到ξijχij；然后利用Hilbert变换方法提取包络线ξij，谐波分量χij的频率成分fij由快速傅里叶变换(FastFouriertransform(FFT))来确定，另外，根据谐波相位原理推导得到相位的计算公式如下：其中，tpi和ki是谐波分量的峰值和时间，K为峰值的个数本文档来自技高网...

【技术保护点】
1.一种机器人准周期运动演示学习方法，其特征在于，包括：步骤1、当确定机器人运动轨迹为准周期运动时，对所述运动轨迹依次进行偏移量提取、谐波分离、包络提取以及相位识别，逐一将准周期运动分解为一系列周期运动和非周期运动；步骤2、采用高斯混合模型GMM和高斯混合回归GMR分别对周期运动和非周期运动中的各分量进行建模学习与预测；步骤3、根据如下定义式将学习后的各分量合成为新的准周期运动：

【技术特征摘要】
1.一种机器人准周期运动演示学习方法，其特征在于，包括：步骤1、当确定机器人运动轨迹为准周期运动时，对所述运动轨迹依次进行偏移量提取、谐波分离、包络提取以及相位识别，逐一将准周期运动分解为一系列周期运动和非周期运动；步骤2、采用高斯混合模型GMM和高斯混合回归GMR分别对周期运动和非周期运动中的各分量进行建模学习与预测；步骤3、根据如下定义式将学习后的各分量合成为新的准周期运动：其中，γ为偏移量，ξij为包络分量，χij为谐波分量，N为非线性组合的周期运动和非周期运动的数量，C为周期运动的傅里叶级数展开式中谐波成分的次数。2.根据权利要求1所述的方法，其特征在于，所述步骤1之前，还包括：利用快速傅里叶变换FFT的频谱图特性，确定机器人运动轨迹为周期运动、非周期运动或准周期运动。3.根据权利要求2所述的方法，其特征在于，所述利用快速傅里叶变换FFT的频谱图特性，确定机器人运动轨迹为周期运动、非周期运动或准周期运动，具体包括：当f＝0时，幅值大于预设阈值，那么该运...

【专利技术属性】
技术研发人员：程红太，李潇，
申请(专利权)人：烟台维度机器人有限公司，
类型：发明
国别省市：山东,37