一种机器人示教再现轨迹学习方法技术

本发明专利技术公开了一种机器人示教再现轨迹学习方法，其技术方案要点是：包括以下步骤：Step1:记录保存机器人示教后的末端位置轨迹、速度轨迹、加速度轨迹和采样时间；Step2:建立标准位置动态运动基元模型；Step3:建立基于虚拟点势场函数的改进位置动态运动基元模型；Step4:基于局部加权回归方法对示教轨迹进行学习；本机器人示教再现轨迹学习方法，其借鉴虚拟夹具方法和高斯核函数，对示教轨迹中少数个型值点位置建立虚拟点吸引力势场函数，并通过反馈耦合在标准位置动态运动基元转换系统函数中。相对原先的虚拟夹具方法，改进的位置动态运动基元模型无需对每个示教点建立势场函数，能够有效地提高位置动态运动基元输出轨迹的收敛精度和收敛速度。迹的收敛精度和收敛速度。迹的收敛精度和收敛速度。

【技术实现步骤摘要】
一种机器人示教再现轨迹学习方法


[0001]本专利技术涉及机器人轨迹学习领域，特别涉及一种机器人示教再现轨迹学习方法。

技术介绍

[0002]目前，工业机器人虽然能够显著提高工业制造效率，但是仍然需要精确的编程，每个任务都被分解成一系列动作。该方法不能够从任务学习中得到经验，也不具有灵活性，若机器人末端任务稍微发生改变，机器人控制系统都需要重新编程，降低了机器人编程效率和机器人适应性。演示编程，也就是直接示教，似乎是解决这个问题非常有效的方法。在直接示教过程中，机器人基于操作者拖拽运动记录末端任务轨迹。动态系统常用来学习泛化机器人记录后的演示轨迹，即在给定系统初始状态、目标状态和示教轨迹，通过在线求解微分方程自动生成机器人的运动，用于复现相同的机器人示教轨迹。常用的动态系统方法有动态运动基元方法。
[0003]考虑到动态运动基元模型中的相变量基于指数函数单调递减，导致动态运动基元中的强迫函数在时间尺度上非均匀分布，收敛速度慢，由速度积分得到的位置误差大。Samantetal.提出相变量线性化，使得强迫函数在时间尺度上均匀分布，提高收敛精度。此外，Dimeasetal.，Kastritsietal.和Papageorgiouetal.分别基于人工势场原理建立了虚拟夹具方法，在位置动态运动基元输出的每个点上赋予吸引力，以此提高交互位置跟踪精度。但是，这中方法只能适用示教点数少的情况，否则耗时，增加系统计算负担。因此，对位置动态运动基元模型的改进，提高其收敛速度和收敛精度，是成功应用在机器人示教再现的关键所在。r/>
技术实现思路

[0004]针对
技术介绍
中提到的问题，本专利技术的目的是提供一种机器人示教再现轨迹学习方法，以解决
技术介绍
中提到的问题。
[0005]本专利技术的上述技术目的是通过以下技术方案得以实现的：
[0006]一种机器人示教再现轨迹学习方法，包括以下步骤：
[0007]Step1:记录保存机器人示教后的末端位置轨迹、速度轨迹、加速度轨迹和采样时间；
[0008]Step2:建立标准位置动态运动基元模型；
[0009]Step3:建立基于虚拟点势场函数的改进位置动态运动基元模型；
[0010]Step4:基于局部加权回归方法对示教轨迹进行学习泛化。
[0011]较佳的，所述Step1中，所述机器人末端示教轨迹由机器人直接示教系统采集，经过系统滤波得到连续平滑的轨迹，其定义为：
[0012][0013]其中，分别表示机器人末端示教轨迹的位置、速度和加速度；t
k
为采样时间；k为采样数目；T为采样总时间数目。
[0014]较佳的，所述Step2中，所述位置动态运动基元为一种常用于建立机器人运动模型的方法，是通过一组由微分方程组建立的系统来描述被控制对象的运动状态，在不破坏系统稳定性的前提下确保被控对象所期望的行为，其中标准位置动态运动基元包括转换系统函数和规范系统函数，所述转换系统函数定义为：
[0015][0016][0017]所述规范系统函数定义为：
[0018][0019]其中，x
s
∈[0,1]为相变量；z为辅助中间变量；τ
T
为时间尺度参数，τ
T
等于机器人示教轨迹运行总时间；p＝(p
x
,p
y
,p
z
)T定义为机器人末端位置；
[0020]p
e
为示教轨迹终点，在τ
T
＞0，α
z
＝4β
z
，α
x
＞0条件下，被控对象逐渐收敛到唯一平衡点，p＝p
e
，z＝0；f
p
(x
s
)为位置动态运动基元非线性强迫函数。
[0021]较佳的，所述非线性强迫函数f
p
(x
s
)使转换系统函数输出的轨迹连续光滑逼近示教轨迹，由一组N
w
个径向基函数Φ
i
(x
s
)线性加权叠加组成，即：
[0022][0023]Φ
i
(x
s
)＝exp(
‑
h
i
(x
s
‑
c
i
)2)；
[0024]其中，位置缩放因子D
p
＝diag(p
e
‑
p0)，p0为机器人示教轨迹起点；c
i
和h
i
分别是径向基函数分布中心和宽度，向基函数分布中心和宽度，向基函数分布中心和宽度，为决定位置动态运动基元模型输出轨迹形状的惯性参数。
[0025]较佳的，所述Step3中，改进位置动态运动基元模型在标准位置动态运动基元模型中嵌入了基于高斯内核函数的虚拟点势场函数以此提高轨迹收敛精度，所述虚拟点为示教轨迹中的N
IM
个示教点，定义为型值点，其记录信息表示为：
[0026][0027]其中，分别为型值点处的位置、速度和采样时刻点。
[0028]较佳的，所述Step3中，改进位置动态运动基元模型的建立，具体包括以下步骤：
[0029]A.定义一维空间中的所述型值点处势场能量为：
[0030][0031]其中，为上一采样周期输出的机器人末端一维位置数据p
DMP
(t
k
‑
dt)；为型值点处刚度因子；dt为采样周期；刚度因子越大，第i个型值点对p
DMP
吸引力越大；
[0032]B.采用高斯内核函数表示所述型值点处势场能量，即：
[0033][0034]其中，σ
DMP
为型值点势场能量高斯内核函数分布宽度；
[0035]C.定义所述N
IM
个型值点所具有的总势场能量G(p
DMP
)，表示为：
[0036][0037]D.求取所述总势场能量G(p
DMP
)的梯度函数即：
[0038][0039]E.所述一维空间点虚拟势场扩展到三维操作空间内，并将其嵌入到标准位置动态运动基元模型中的位置转换系统函数中，得到改进的位置动态运动基元模型，即：
[0040][0041]其中，为虚拟点势场在x轴，y轴和z轴方向的刚度矩阵。
[0042]较佳的，所述Step3中，用一阶滤波方法对所述的改进位置动态运动基元模型的位置转换系统函数进行改进以解决在初始时刻式(p
e
‑
p)≠0会造成机器人末端速度不连续的问题，表示为：
[0043][0044][0045]其中，α
gp
为一阶滤波常数；p
r
表示位置一阶滤波迭代计算结果。
[0046]较佳的，所述Step3中，采用局部加权回归方法对所述示教轨迹的位置惯性参数进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机器人示教再现轨迹学习方法，其特征在于：包括以下步骤：Step1:记录保存机器人示教后的末端位置轨迹、速度轨迹、加速度轨迹和采样时间；Step2:建立标准位置动态运动基元模型；Step3:建立基于虚拟点势场函数的改进位置动态运动基元模型；Step4:基于局部加权回归方法对示教轨迹进行学习泛化。2.根据权利要求1所述的一种机器人示教再现轨迹学习方法，其特征在于：所述Step1中，所述机器人末端示教轨迹由机器人直接示教系统采集，经过系统滤波得到连续平滑的轨迹，其定义为：其中，分别表示机器人末端示教轨迹的位置、速度和加速度；t
k
为采样时间；k为采样数目；T为采样总时间数目。3.根据权利要求1所述的一种机器人示教再现轨迹学习方法，其特征在于：所述Step2中，所述位置动态运动基元为一种常用于建立机器人运动模型的方法，是通过一组由微分方程组建立的系统来描述被控制对象的运动状态，在不破坏系统稳定性的前提下确保被控对象所期望的行为，其中标准位置动态运动基元包括转换系统函数和规范系统函数，所述转换系统函数定义为：转换系统函数定义为：所述规范系统函数定义为：其中，x
s
∈[0,1]为相变量；z为辅助中间变量；τ
T
为时间尺度参数，τ
T
等于机器人示教轨迹运行总时间；p＝(p
x
,p
y
,p
z
)
T
定义为机器人末端位置；p
e
为示教轨迹终点，在τ
T
＞0，α
z
＝4β
z
，α
x
＞0条件下，被控对象逐渐收敛到唯一平衡点，p＝p
e
，z＝0；f
p
(x
s
)为位置动态运动基元非线性强迫函数。4.根据权利要求3所述的一种机器人示教再现轨迹学习方法，其特征在于：所述非线性强迫函数f
p
(x
s
)使转换系统函数输出的轨迹连续光滑逼近示教轨迹，由一组N
w
个径向基函数Φ
i
(x
s
)线性加权叠加组成，即：Φ
i
(x
s
)＝exp(
‑
h
i
(x
s
‑
c
i
)2)；其中，位置缩放因子D
p
＝diag(p
e
‑
p0)，p0为机器人示教轨迹起点；c
i
和h
i
分别是径向基函数分布中心和宽度，函数分布中心和宽度，函数分布中心和宽度，为决定位置动态运动基元模型输出轨迹形状的惯性参数。
5.根据权利要求1所述的一种机器人示教再现轨迹学习方法，其特征在于：所述Step3中，改进位置动态运动基元模型在标准位置动态运动基元模型中嵌入了基于高斯内核函数的虚拟点势场函数以此提高轨迹收敛精度，所述虚拟点为示教轨迹中的N
IM
个示教点，定义为型值点，其记录信息表示为：其中，分别为型值点处的位置、速度和采样时刻点。6.根据权利要求1所述的一种机器人示教再现轨迹学习...

【专利技术属性】
技术研发人员：万俊，张兰春，葛敏，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：