基于复合协方差函数的多任务模仿学习算法的研究与实现

针对多任务下机器人模仿学习控制策略的获取问题,构建复合协方差函数,采用高斯过程回归方法对示教机器人的示教行为样本点建立高斯过程回归模型,并对其中的超参数进行优化,从而得出模仿学习控制策略,模仿机器人应用控制策略完成模仿任务。以Braitenberg车为仿真实验研究对象,对其趋光、避障多任务的模仿学习进行研究。仿真实验研究结果表明：与基于单一协方差函数的模仿学习算法相比,基于复合协方差函数的模仿学习算法不仅能够实现单任务环境下的机器人模仿学习,而且能够实现多任务环境下的机器人模仿学习,且精度更高。任务环境改变实验研究结果表明该方法有很好的适应性。     

在书写任务中的基于轨迹匹配的模仿学习

针对书写任务中运动轨迹较复杂的问题,引入基于轨迹匹配的模仿学习算法对书写轨迹进行表征和泛化,进而实现机器人书写技能的获取。机器人从示教者处获取示教数据,利用高斯混合模型( Gaussian mixture model, GMM)进行编码,学习示教行为的本质特征,通过高斯混合回归进行泛化处理,实现行为再现。实验结果表明：该方法具有良好的行为编码能力和抗干扰性,能够实现轨迹可连续的汉字书写,通过对GMM的扩展能够进行多任务学习,进而实现轨迹不可连续汉字的书写,泛化效果较好。     

基于ZMP判据的仿人机器人步态模仿

仿人机器人行走稳定性研究是机器人领域一大研究热点,目前主要依据动力学模型规划稳定步态,但依靠步态规划形成的运动模式往往需要复杂的运算,并且机器人的运动形式单一.为实现机器人多样化步态的生成,在模仿学习的框架下对机器人的步态模仿问题展开研究,利用人体行走信息作为示教数据,实现仿人机器人对人体行走过程的模仿学习,在简化运动规划的同时使机器人的运动步态更具多样化与拟人化.为满足机器人在步态模仿过程中的稳定性,基于零力矩点(zero moment point,ZMP)判据补偿质心偏移,利用滞回曲线确定行走过程中支撑脚的切换以实现稳定性控制.基于NAO机器人的模仿学习系统仿真研究结果表明:ZMP判据的引入有效地保证了机器人对人体示教步态模仿的稳定性,基于滞回曲线的支撑脚选取保证了支撑脚切换的平稳.     

基于质心校正补偿的仿人机器人模仿学习

由于仿人机器人自由度多、结构冗余,因此面对不同环境下的运动规划十分复杂.利用人体运动信息作为示教数据,实现仿人机器人对人体姿态的模仿学习,简化了仿人机器人的运动规划.为满足机器人在运动过程中的平衡性,提出了一种机器人质心补偿的方法:通过示教数据预估机器人的质心偏移,经质心-角度雅可比矩阵计算角度补偿量,并引入二次规划进行优化处理.基于Nao机器人的模仿学习系统实验研究结果表明:提出的质心补偿方法可以有效地保证机器人在模仿学习过程中的姿态平衡,引入的权值可调的二次规划有效地保证了姿态模仿的相似性.     

基于模仿学习的变刚度人机协作搬运控制

针对人-机器人协作搬运,现有的控制策略难以同时保证搬运过程的柔顺性和搬运终点位置的精确性,而且对不同搬运任务适应性不够. 基于模仿学习提出变刚度协作搬运控制策略. 使用任务参数化的高斯混合模型(TP-GMM)对多次搬运示教数据进行编码,学习不同搬运工况下的搬运轨迹概率模型;结合导纳控制建立机械臂末端变刚度交互模型,实现柔性搬运操作,并基于交互力阈值实现不同搬运任务的切换;搭建协作搬运平台进行实验验证. 实验结果表明,提出的策略在实现柔性协作搬运的同时将特定搬运任务的终点位置精度提高到1.9 mm,且保证了特定搬运任务中机械臂末端在期望区域内运动以及搬运任务的切换.     

模仿学习在机器人仿生机制研究中的应用

较为系统地综述了机器人模仿学习的过程,并对该领域的相关关键问题进行了探讨.基于模仿的生物机制,构建了机器人模仿学习的一个工程应用框架,以该框架为指导,重点对模仿学习的行为表述问题及研究进展进行论述;对模仿学习和强化学习在机器人运动技能学习中的应用进行了对比分析;并对该领域的研究进行了展望,可见对机器人模仿学习的研究是机器人仿生机制研究的热点内容.     

工业机器人三维示教模型的设计与实现

三维示教器在工业机器人示教领域具有高效、形象等优点,在三维仿真示中教发挥着日趋重要的作用。文章基于D-H参数法对工业机器人进行正、逆运动学分析,建立了运动学模型并在Matlab中对其进行仿真验证,实现了工业机器人的三维示教模型运动学设计;基于Qt和OpenGL相结合对三维模型仿真显示系统进行开发研究,采用SolidWorks绘制三维模型,并使用3DS软件对其渲染,实现了工业机器人的运动学程序与三维模型程序的融合,而且在三维仿真系统界面的设计上给出了简洁而功能齐全的人机交互界面,改善了工业机器人在三维示教中的视觉效果,提升了仿真系统跨平台特性,对工业机器人在工业现场的生产示教具有很现实的意义。     

手把手示教喷涂机器人的示教数据优化方法

针对手把手示教喷涂机器人再现运动不平稳、整体运行速度低等问题, 提出了一种基于样条曲线拟合和运动规划的优化方法。通过使用非均匀B样条曲线对示教轨迹进行拟合计算, 得到位姿拟合曲线。位置曲线和姿态曲线是分开进行离散化的。位置曲线基于S型加减速进行离散化, 减速点的寻找采用双向插补的方法。姿态和位置的同步问题, 采用建立姿态曲线参数与位置曲线参数的映射关系解决。通过仿真和实验验证了该算法能够有效地提高示教机器人再现运动的平稳性和运行速度。     

基于内发动机机制的机器人趋光控制

针对移动机器人的趋光问题,提出了一种基于内发动机机制的控制方法.该方法以生物体感觉运动系统的学习机制为基础,通过评价、行为选择以及取向和决策环节的强化实现对机器人最优趋光控制策略的搜索,使机器人在未知环境下,通过自主的学习和训练,逐渐掌握趋光移动技能.采用马尔科夫定理证明了学习过程的收敛性;仿真实验证明了基于内发动机机制趋光控制方法的有效性;通过与人工势场法的比较,说明了该方法的精确性.     

基于分解策略的多机器人编队控制方法

根据多机器人在不确定环境中编队智能行进控制的要求,以多移动机器人为对象,提出了一种基于分解策略的多机器人编队控制方法,将复杂的多机器人编队问题分解为若干组2个机器人之间的协调问题.建立了多机器人编队的基本队形模型,提出了基于主从方式的多机器人控制策略,根据基于行为的方法设计了机器人的基本子行为,通过带权值的各子行为的叠加合成得到机器人的最终行为,给出了机器人的速度调节方案.计算机仿真结果验证了该方法的有效性和可行性,具有较好的可扩展性.     

Intelligent learning model-based skill learning and strategy optimization in robot grinding and polishing

With the rapid advancement of manufacturing in China, robot machining technology has become a popular research subject. An increasing number of robots are currently being used to perform complex tasks during manual operation, e.g., the grinding of large components using multi-robot systems and robot teleoperation in dangerous environments, and machining conditions have evolved from a single open mode to a multisystem closed mode. Because the environment is constantly changing with multiple systems interacting with each other, traditional methods, such as mechanism modeling and programming are no longer applicable. Intelligent learning models, such as deep learning, transfer learning, reinforcement learning, and imitation learning, have been widely used; thus, skill learning and strategy optimization have become the focus of research on robot machining. Skill learning in robot machining can use robotic flexibility to learn skills under unknown working conditions, and machining strategy research can optimize processing quality under complex working conditions. Additionally, skill learning and strategy optimization combined with an intelligent learning model demonstrate excellent performance for data characteristics learning, multisystem transformation, and environment perception, thus compensating for the shortcomings of the traditional research field. This paper summarizes the state-of-the-art in skill learning and strategy optimization research from the perspectives of feature processing, skill learning, strategy, and model optimization of robot grinding and polishing, in which deep learning, transfer learning, reinforcement learning, and imitation learning models are integrated into skill learning and strategy optimization during robot grinding and polishing. Finally, this paper describes future development trends in skill learning and strategy optimization based on an intelligent learning model in the system knowledge transfer and nonstructural environment autonomous processing.

     

基于启发式学习算法的空间柔性机械臂神经网络控制

针对非线性强耦合的空间漂浮基柔性机器人,提出了一种启发式学习算法的神经网络的前馈控制策略。首先通过拉格朗日法和假设模态方法建立了漂浮基柔性空间机器人的动力学模型,然后采用两个神经网络及一个PID控制器来构建前馈在线学习控制系统,其中一个神经网络充当前馈控制器,另一个神经网络通过学习逆动态模型来为前馈控制器提供在线学习参数,而PID控制器主要作为辅助补偿控制器。该控制策略不是在PID控制器的指导下进行学习,且无需预先的离线学习,因而学习精度更高,且减少了对学习样本选择不当的影响,采用固定中心参数,而扩展宽度采用启发式关系确定,网络权值采用改进的最优准则算法进行调整的算法来实现快速学习能力,具有较好的实时性。仿真结果证明了所提方案的有效性。     

基于图卷积模仿学习的分布式群集控制

针对受限通信条件下机器人群集协同控制问题,提出基于图卷积模仿学习的分布式群集控制策略. 该策略旨在实现群集内避障、速度一致性的基础上,提高群集鲁棒性,提升避免群集分裂的成功率. 提出基于熵评价的群集鲁棒性量化评价指标,建立节点和链路重要性的均衡分布与群集鲁棒性的联系. 提出重要度相关图卷积网络,用于实现受限通信条件下非欧氏数据的特征提取和加权聚合. 采用图卷积模仿学习方法,根据提升群集鲁棒性的要求设计集中式专家策略,通过对集中式专家策略的模仿,得到分布式群集协同控制策略. 设计仿真实验,证明所得的分布式策略基于受限通信条件实现了接近集中式的专家策略的控制效果.     

虚拟足球机器人的动作决策与仿真

论述了以虚拟足球机器人为代表的基于决策的系统仿真。由于机器人集高新技术、娱乐比赛于一体,所以引起了人们的广泛关注和极大兴趣。在虚拟机器人足球仿真比赛中,虚拟机器人整体团队协作和局部对抗规划都是比赛成功的关键。仿真软件可以使用Delphi,VC++6.0设计编写。本文以VC++6.0为例进行介绍。     

虚拟足球机器人的动作决策与仿真

论述了以虚拟足球机器人为代表的基于决策的系统仿真.由于机器人集高新技术、娱乐比赛于一体,所以引起了人们的广泛关注和极大兴趣.在虚拟机器人足球仿真比赛中,虚拟机器人整体团队协作和局部对抗规划都是比赛成功的关键.仿真软件可以使用Delphi,VC＋＋6.0设计编写.本文以VC＋＋6.0为例进行介绍.     

基于遗传规划的机器人足球团体协作进化策略

利用基于进化的方法,对机器人足球比赛中的团队协作策略进行设计.论文给出了一种新的强类型的遗传规划算法,它对传统遗传规划方法做出了较大的改进,主要是提出了两种新的计算方法：基于概率的树的生成算法1,和基于概率的树的生成算法2.这两种算法不仅算法简便,又可以让用户对树结构进行控制,从而使其能更好地适应机器人足球系统的实时性和动态要求.