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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。