基于黎曼流形的人机协同方法技术

本发明专利技术公开了一种基于黎曼流形的人机协同方法，包括建立人机交互模型，机器人的预测状态量与人的行为观测量采用基于黎曼流形的双四元数表示；采用泰勒展开求解先验概率分布，利用联合概率分布来求解边际概率分布，获得机器人的预测状态的后验概率分布。为了提高运行精度，将人机交互模型的建模数据划分为K个独立的数据集，并求得每个数据集的后验概率分布，构建预测框架，得到基于K个数据集融合的分布式后验概率分布。本发明专利技术应用于人机协同领域，基于黎曼流形和其切空间中建立无运动奇点的人机协作交互模型，随着机器人的隐态预测传播对人类观测的不确定性，采用分布式框架推断出更精确的机器人笛卡尔轨迹，有效提高人机协同的精度。同的精度。同的精度。

【技术实现步骤摘要】
基于黎曼流形的人机协同方法


[0001]本专利技术涉及人机协同
，具体是一种基于黎曼流形的人机协同方法。

技术介绍

[0002]客户满意度加剧了全球竞争，对企业提高产品和服务的灵活性提出了重要要求。解决这一需求的方法通常是引入人工操作人员来完成具有挑战性的任务，这些任务要求高度的灵活性和决策认知能力。然而，从另一个角度来看，机器人可以在处理高精度、重复性和非人体工程学的制造任务时提供帮助。鉴于人类操作员与机器人的功能互补，研究操作员与机器人协同工作的共享工作空间是很自然的，这促进了人机协同研究的动力。
[0003]最近的人机协同研究主要集中在协同操作、切换任务和在线轨迹规划应用中交互和感知模型的结合。例如，一项类似的研究通过模拟人类接触行为来解决人类互动和碰撞检测等问题。
[0004]此外，根据惯性测量单元和机器视觉等各种观测结果正确解释人类意图，对于人类机器人协作非常重要，因为运动可读性会显著影响协作效率。第一种方法是将人机协作问题建立为一个混合规划问题，以理解人类的运动。更具体地说，利用多个定界层的思想，将联合符号和几何规划视为一种复杂的逼近方案。第二种方法可以被称为运动原语方法，它对人类和机器人的运动进行概率编码，并在变化的环境下输出可适应的机器人轨迹。
[0005]关于时间对齐，在人机协作中也很重要。解决时间对齐问题的一个基本和直接的方法是动态时间归整方法。然而，在实时应用中，它计算花费的时间巨大。另外，时间对齐问题也可以用隐马尔可夫模型建模，如人类动作预测和工具交付。然而，隐马尔可夫模型只能模拟离散的时间序列问题，不能明确地模拟机器人的运动。
[0006]此外，时间对齐也可以通过利用运动原语方法实现。例如，时间变化由动态运动原语派生的显式相位指示器控制，该相位指示器可以同时控制多个机器人轨迹。基于数据驱动黑盒映射的时间运动可以与核回归(Kernelizedmovement Primitives, KMP)和基函数回归(Probabilistic movement Primitives,ProMP)对齐。相应的应用已经扩展到定向行为克隆的人机交互协同计算中。
[0007]在现实世界的人机协作中，操作者几乎不可能重复相同的动作，因此需要一个人
‑
机混合运动规划系统的联合建模。来自操作者和交互环境的变化都可能给协作框架带来更多的挑战，其是当人类的观察被测量带有严重的噪声时，往往很难建立一个精确的协作模型。

技术实现思路

[0008]针对上述现有技术中的不足，本专利技术提供一种基于黎曼流形的人机协同方法，在基于黎曼流形空间中建立无运动奇点且可利用隐状态的预测传递对人类观测的不确定性的人机协同模型，能够有效地提高人机协同的精度。
[0009]为实现上述目的，本专利技术提供一种基于黎曼流形的人机协同方法，包括如下步骤：
步骤1，建立人机交互模型，在所述人机交互模型中，机器人的预测状态量与人的行为观测量采用基于黎曼流形的双四元数表示；步骤2，采用泰勒展开求解状态的先验概率分布，并利用联合概率分布来求解状态的边际概率分布，从而获得机器人的预测状态的后验概率分布；步骤3，将人机交互模型的建模数据划分为K个独立的数据集，并基于上述人机交互模型求得每个数据集对应的后验概率分布；步骤4，利用贝叶斯委员会机器理论推断预测框架，得到基于K个数据集融合的分布式后验概率分布。
[0010]本专利技术提供的一种基于黎曼流形的人机协同方法，机器人可对人类行为进行定向克隆，对机器人的旋转和平移运动进行概率编码。此外，在黎曼流形的切线空间中建立的人机协作交互模型，可让随着机器人预测传播对人类观测的不确定性。同时，采用分布式框架通过利用其内部不确定性的传递可推断出更精确的机器人轨迹，可有效地提高人机协同的精度。
附图说明
[0011]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
[0012]图1为本专利技术实施例中黎曼流形的人机协同方法的流程图；图2为本专利技术实施例中运动奇点的解释示意图；图3为本专利技术实施例示例中从第1个人机交互模型得到的机器人轨迹推论示意图，其中：(a)为旋转量r
x
在X轴上的轨迹推论示意图，(b)为旋转量r
y
在Y轴上的轨迹推论示意图，(c)为旋转量r
z
在Z轴上的轨迹推论示意图，(d)为平移量o
x
在X轴上的轨迹推论示意图，(e)为平移量o
y
在Y轴上的的轨迹推论示意图，(f)为平移量o
z
在Z轴上的轨迹推论示意图，(g)为归一化参数s的轨迹推论示意图，Var为方差；图4为本专利技术实施例示例中从第2个人机交互模型得到的机器人轨迹推论示意图，其中：(a)为旋转量r
x
在X轴上的轨迹推论示意图，(b)为旋转量r
y
在Y轴上的轨迹推论示意图，(c)为旋转量r
z
在Z轴上的轨迹推论示意图，(d)为平移量o
x
在X轴上的轨迹推论示意图，(e)为平移量o
y
在Y轴上的的轨迹推论示意图，(f)为平移量o
z
在Z轴上的轨迹推论示意图，(g)为归一化参数s的轨迹推论示意图，Var为方差；图5为本专利技术实施例示例中从第3个人机交互模型得到的机器人轨迹推论示意图，其中：(a)为旋转量r
x
在X轴上的轨迹推论示意图，(b)为旋转量r
y
在Y轴上的轨迹推论示意图，(c)为旋转量r
z
在Z轴上的轨迹推论示意图，(d)为平移量o
x
在X轴上的轨迹推论示意图，(e)为平移量o
y
在Y轴上的的轨迹推论示意图，(f)为平移量o
z
在Z轴上的轨迹推论示意图，(g)为归一化参数s的轨迹推论示意图，Var为方差；图6为本专利技术实施例示例中从第4个人机交互模型得到的机器人轨迹推论示意图，其中：(a)为旋转量r
x
在X轴上的轨迹推论示意图，(b)为旋转量r
y
在Y轴上的轨迹推论示意图，(c)为旋转量r
z
在Z轴上的轨迹推论示意图，(d)为平移量o
x
在X轴上的轨迹推论示意图，
(e)为平移量o
y
在Y轴上的的轨迹推论示意图，(f)为平移量o
z
在Z轴上的轨迹推论示意图，(g)为归一化参数s的轨迹推论示意图，Var为方差；图7为本专利技术实施例示例中从第5个人机交互模型得到的机器人轨迹推论示意图，其中：(a)为旋转量r
x
在X轴上的轨迹推论示意图，(b)为旋转量r
y
在Y轴上的轨迹推论示意图，(c)为旋转量r
z...

【技术保护点】

【技术特征摘要】
1.一种基于黎曼流形的人机协同方法，其特征在于，包括如下步骤：步骤1，建立人机交互模型，在所述人机交互模型中，机器人的预测状态量与人的行为观测量采用基于黎曼流形的双四元数表示；步骤2，采用泰勒展开求解状态的先验概率分布，并利用联合概率分布来求解状态的边际概率分布，从而获得机器人的预测状态的后验概率分布；步骤3，将人机交互模型的建模数据划分为K个独立的数据集，并基于上述人机交互模型求得每个数据集对应的后验概率分布；步骤4，利用贝叶斯委员会机器理论推断预测框架，得到基于K个数据集融合的分布式后验概率分布。2.根据权利要求1所述的基于黎曼流形的人机协同方法，其特征在于，步骤1中，所述人机交互模型为：；；式中，为机器人的预测状态量，为人行为观测状态量，和为非线性函数，为动态系统噪声，为观测系统噪声；其中，机器人的预测状态量与人的行为观测量均为双四元数，分别表示基于黎曼流形的笛卡尔空间中运动无奇点的机器人状态轨迹与人的行为状态轨迹。3.根据权利要求2所述的基于黎曼流形的人机协同方法，其特征在于，步骤2中，所述先验概率分布为：；式中，为先验概率分布函数，为前一时刻求得的后验概率分布；通过泰勒展开方法求得。4.根据权利要求...

【专利技术属性】
技术研发人员：王国嫣，胡谋法，卢大威，范红旗，何俊，蒋彦雯，傅瑞罡，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：