机器人的CP-nets优化类人轨迹规划（英文）

机器人移动轨迹按照人的手臂来模拟是提高机器人安全性和人机交互能力的有效方法;特别是针对机器人抓取路径不唯一的场合,类人行为对于人机系统表现更加自然.此前,通常利用Kinect等设备,基于人工神经网络和K近邻算法等智能算法对类人轨迹进行规划,但无法获得未采样过的最优轨迹.本文基于CP-nets采用偏好模型研究类人运动轨迹,然后将该模型应用于机器人控制,在没有采样的情况下,也可得到最优的类人轨迹.实验结果表明,基于CP-nets的类人规划轨迹具有较高的效率和舒适性,符合人的运动特征.

基于启发式算法的CP-nets学习研究

CP-nets(条件偏好网)是定性表达偏好关系的一种图形工具,作为一种表达能力的工具,CP-nets功能强大,能直观、自然地表达用户的偏好信息。但是对于CP-nets学习的研究还不够深入,在实际应用中,由于用户行为或者观测误差的随机性,可能导致数据集中存在噪声数据,使得许多传统的学习方法无法得到最优的CP-nets结构。本文提出基于启发式算法的学习方法来解决CP-nets的结构学习问题。与传统方法中直接学习CP-nets结构不同,本文将CP-nets的结构学习问题转化为寻找最短路径问题,利用启发式算法的能力来寻找最优的CP-nets。