随着机器人技术的发展,工业机器人应用场景由结构化环境简单任务向非结构化环境复杂任务升级,面向新型场景,机器人传统编程方式存在配置复杂、准备周期长等不足。示教学习(Learning from Demonstration)将人类示教和机器人学习相融合,...
详细信息
随着机器人技术的发展,工业机器人应用场景由结构化环境简单任务向非结构化环境复杂任务升级,面向新型场景,机器人传统编程方式存在配置复杂、准备周期长等不足。示教学习(Learning from Demonstration)将人类示教和机器人学习相融合,提供了一种简单高效的机器人编程方式。然而,基于人机交互的示教学习存在如下问题:人机交互过程需要机器人感知外作用力,通过动力学模型估计外力是实现工业机器人力感知的重要手段,而理论模型中观测矩阵的奇异性会影响参数辨识准确性且力估计效果依赖实际模型辨识精度;示教轨迹包含时间、位置和姿态信息,机器人连续曲面轨迹学习需建模位置和姿态,而姿态属于非欧空间,采用欧氏度量和统计学习方法会引起统计量计算和概率建模不准确等问题,影响轨迹学习效果。针对上述问题,本文在人机交互示教学习框架下,围绕动力学建模、模型辨识与人机交互、示教轨迹特征提取、位姿轨迹学习展开研究,首先提出非奇异动力学理论模型构建方法;接着提出局部辨识策略和传动耦合动力学实际模型,实现基于实际模型的人机交互示教;然后提出姿态流形内蕴聚类框架,用于提取示教轨迹的统计特征;最后提出位姿流形编码和概率建模方法,实现机器人连续曲面轨迹示教学习。本文的主要研究内容如下:(1)李群表示的机器人非奇异动力学模型构建。针对观测矩阵奇异性问题,提出了刚体运动分解和广义惯量映射方法,用于建立动力学余项模型;通过分析余项式及整体惯量中系数相关性,提出了冗余参数重组方法,简化统一了各类构型和运动副的冗余参数分析。非奇异动力学建模与计算实验结果表明:所提冗余参数分析方法相比传统解析法符号计算效率提高2个数量级以上;机器人力矩估计实验验证了所提非奇异动力学建模方法的有效性。(2)面向人机交互的传动耦合动力学模型辨识。为改善激励不足引起的观测矩阵病态问题,推导了独立广义力并提出了局部辨识策略;通过分析机器人传动系统与力矩映射关系,提出了传动耦合动力学实际模型;基于实际模型构建广义动量用于接触力估计,结合阻抗控制实现了人机交互示教。机器人模型辨识和人机交互实验结果表明:所提局部辨识策略相比传统整体辨识方法,模型辨识误差降低约36%;所提传动耦合动力学模型较忽略耦合的模型,驱动力矩估计精度提高约32%。(3)人机交互示教轨迹的姿态流形特征提取。分析了齐次流形几何特性并提出了姿态流形内蕴距离表示方法;将欧氏空间正交定义抽象化,结合内蕴表示提出了流形空间测地正交和投影用于流形数据降维;在此基础上,提出了内蕴聚类框架,以及聚类数和聚类中心统计初始化方法。机器人姿态特征提取实验结果表明:所提内蕴聚类算法相比线性化映射算法,聚类精度提高27%以上,所提聚类中心统计初始化算法相比随机初始化算法,收敛速度提高约36%;所提测地投影聚类数学习算法相比忽略对称结构和线性投影算法,准确率平均提高43%。(4)基于位姿流形编码的机器人曲面轨迹示教学习。围绕位姿轨迹概率建模,基于流形优化和平行移动分析了黎曼高斯分布统计量计算及切空间变换方法,提出了黎曼高斯混合模型位姿编码和轨迹学习算法,并结合积度量扩展至多流形空间;提出了考虑加权度量的流形贝叶斯学习算法,引入切空间变换建立了流形贝叶斯动态模型。机器人曲面轨迹示教学习实验结果表明:对于姿态信息,所提流形贝叶斯学习算法较传统贝叶斯学习算法拟合精度提高约54%;所提黎曼高斯混合模型位姿编码方法,经改进拟合精度提高约12%;所提两类概率模型均可有效应用于连续曲面轨迹示教学习。
暂无评论