关键词：模仿学习;;轨迹规划;;改进动态运动基元;;曲线高斯模型;;回归思想
摘 要：随着机器人行业创造的巨大经济价值,各国的战略发展目标中都有机器人领域的一席之地。机器人技术的飞速发展,特别是在人工智能领域的不断突破,带动大量产业转型升级,走向智能化方向。工业机械臂运动轨迹研究是实现自动化工业生产线转型升级成为智能工厂的基础。当前机器人运动规划存在着学习能力不强、泛化能力不足、调整运动轨迹灵活性不够等问题。基于此,本文提出了一种新颖的模仿学习方法:基于改进动态运动基元(iDMPs)-曲线高斯回归算法(AcaGMR)的机械臂轨迹规划研究。该方法主要包括两部分:模型优化和算法优化。模型优化:针对DMPs的不足,改变其相变量与时间非线性关系,解决其在表征学习的特征抽取环节会提取到错误信息问题的同时对局部加权算法进行优化,提出了改进动态运动基元模型(iDMPs);算法优化:在改进动态运动基元模型(iDMPs)基础上,采用曲线高斯回归算法代替原来局部加权回归算法。实验验证该方法拥有更好的模仿学习效果。本文的主要研究工作如下:首先,对回归思想进行一定的归纳总结,详细介绍了机器学习中的基函数和核函数,并推导得到基础回归表达式。接着分别阐述了局部加权算法、高斯混合算法、曲线高斯算法,对各种算法的内部工作原理给出了详尽分析过程,并结合回归思想推导得到相应的回归表达式,最后对它们进行一定的对比。接着,针对DMPs模型的不足之处,对其做出部分改进提出iDMPs。具体来说,在利用Logistic函数保证系统全局稳定的前提下,改变相变量表达式使其在时间上是均匀分布,解决了系统对时间过于敏感的问题,同时进一步完善其局部加权算法中拟合等式不合理的问题。实验证明iDMPs的模仿学习能力更强。最后,提出基于iDMPs–AcaGMR的轨迹规划思想,其实现方式是将曲线高斯模型(AcaGMM)应用到iDMPs中的强迫项系统中,建立关于强迫项分量和相变量的曲线高斯模型,然后利用AcaGMR算法得到强迫项分量的拟合值,从而获得相应的模仿运动轨迹。最后利用Matlab对多种算法进行了多自由度PM560机械臂仿真实验,其结果也证明了iDMPs–AcaGMR的优越性。
内 容：原文可通过湖北省科技信息共享服务平台（http://www.hbstl.org.cn)获取