System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于机器人技能学习,具体涉及一种协作机器人运动轨迹技能学习方法。
技术介绍
1、示教学习方法让机器人通过观察人类演示的动作来学习任务。对于复杂运动轨迹的学习,特别是时间序列特性和多维轨迹的建模仍然面临挑战。动态运动基元(dmp)方法能通过简化的弹簧阻尼系统来建模运动轨迹,对轨迹进行平滑泛化,但是dmp只能从单条示教轨迹进行建模及泛化(ijspeert aj,nakanishi j,hoffmann h,et al.dynamicalmovement primitives:learning attractor models for motor behaviors[j].neuralcomputation,2013,25(2):328-373.)。长短时记忆网络(lstm)可有效捕捉时序特性,能够在运动轨迹中学习到时间上的前后关系。但是,对于一些涉及到复杂的空间和时间交互的运动,lstm可能无法完全捕捉到空间特征,导致它在泛化的时候出现问题。
技术实现思路
1、本专利技术针对单条示教轨迹的不确定性带来动作建模误差,以及使用动态运动基元方法对多维运动轨迹泛化能力不足的问题,提出一种协作机器人运动轨迹技能学习方法。
2、为了实现上述目的,本专利技术的技术方案是:
3、首先将多条示教轨迹进行时间对齐;然后利用lstm对多条示教轨迹进行建模和回归;最后结合改进的dmp算法,将轨迹在空间进行泛化,具体包括以下步骤:
4、步骤一、轨迹数据采集:通过拖动
5、步骤二、示教数据预处理:对步骤一获取的示教运动轨迹,采用动态时间规整算法对示教的运动轨迹进行时间对齐,使得不同示教轨迹的运动形态最大程度保持一致;然后对轨迹的时间序列特征进行归一化处理,以适应神经网络lstm模型的输入要求;
6、步骤三、利用lstm模型对基于时序特性的运动轨迹进行建模:将时间变量作为输入,通过lstm模型学习轨迹的时序特征,具体为:首先将步骤二处理后的时间序列作为lstm模型的输入,相应的空间坐标作为输出,进行训练;在完成训练以后,以时间变量作为模型输入,按照特定的优化准则得到多条示教轨迹的回归轨迹;
7、步骤四、使用改进dmp对运动轨迹进行泛化:使用改进后的动态运动基元对步骤三中得到的回归轨迹进行轨迹泛化,
8、改进的动态运动基元的计算公式为:
9、
10、式(1)中,x表示系统运动状态,和分别表示x的一阶导数和二阶导数;g表示系统运动最终收敛的目标状态;αy和βy为常数;τ为回归轨迹的收敛速度,x0为系统运动状态的初值;s是与时间无关的变量,且满足公式(2)所示的正则系统;f为非线性函数,如公式(3)所示。
11、
12、式(2)中,s∈(0,1],a为正数。
13、
14、式中,ψi是高斯基函数,ωi为每个高斯基函数的权重,n为正整数,是基函数的总数;空间中任意复杂的运动轨迹可以通过不同的基函数和权重组合加权得到。
15、本专利技术具有以下有益效果:
16、1)采用长短时记忆网络(lstm)这一深度学习模型来进行时间序列示教轨迹的建模与回归,能够捕捉数据中的时序依赖性和复杂的非线性关系,提高了运动轨迹建模的精度和能力。
17、2)通过lstm进行轨迹回归,然后再结合改进的dmp算法,将轨迹在多维空间进行泛化,能够生成高精度且平滑的轨迹。这种组合使得生成的轨迹更加符合不同任务的需求,适应性强。
18、3)传统上,lstm和dmp是分别用于轨迹建模和轨迹优化的技术。该专利技术提出了一种新的方法,通过将lstm用于学习轨迹的时序特征,再结合改进的dmp进行轨迹优化,从而提升了运动轨迹技能学习的效果。
本文档来自技高网...【技术保护点】
1.一种协作机器人运动轨迹技能学习方法,其特征在于:首先将多条示教轨迹进行时间对齐;然后利用长短时记忆网络对多条示教轨迹进行建模和回归;最后结合改进的动态运动基元算法,将轨迹在空间进行泛化,具体包括以下步骤:
【技术特征摘要】
1.一种协作机器人运动轨迹技能学习方法,其特征在于:首先将多条示教轨迹进行时间对齐;然后利用长短时记忆网...
【专利技术属性】
技术研发人员:李利娜,侯志利,兰媛,牛蔺楷,郝惠敏,李聪明,熊晓燕,李广豪,
申请(专利权)人:太原理工大学,
类型:发明
国别省市:
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。