基于动态运动基元的机器人轨迹学习方法研究

针对动态运动基元(Dynamic movement primitives,DMP)轨迹学习方法在机器人示教轨迹学习过程中轨迹位置收敛精度低的问题,提出了一种改进的动态运动基元机器人轨迹学习方法。首先采用操作空间动态运动基元对示教轨迹进行泛化,然后利用高斯函数在少数示教轨迹型值点处建立位置误差吸引力势场函数,并耦合在标准动态运动基元转换系统函数中。将提出的方法与标准动态运动基元方法追踪同一条轨迹进行对比仿真。仿真结果表明,所提方法能够有效提高机器人在轨迹学习过程中的轨迹位置收敛精度。

基于动态运动基元的微小型四旋翼无人机路径规划

针对微小型四旋翼无人机的路径规划问题,引入运动学习框架,提出了一种基于动态运动基元的路径规划方法。该方法通过对给定运动样本的学习提取出运动基元,并将学习结果推广到新的飞行目标,从而泛化出相应的运动轨迹。有障碍物的情况下,在已有学习基础上通过设计耦合因子规划出避障路径,然后将规划的轨迹点集提供给微小型四旋翼无人机完成路径跟踪飞行任务。该路径规划方法的可行性通过微小型四旋翼无人机不同目标点的飞行任务仿真得到了验证。仿真实验还验证了该方法在三维空间进行有效避障的性能。

基于动态运动基元的移动机器人路径规划

针对二维环境下移动机器人路径规划问题,提出一种基于动态运动基元(DMPs)的路径规划方法。该方法首先用手柄来控制机器人,记录机器人的运动轨迹,然后将记录的轨迹作为DMPs算法的学习样本,利用轨迹样本进行训练获得DMPs算法的模型参!,从而实现机器人的路径规划。当运动环境中有障碍物时,在已有学习基础上通过设计耦合因子规划出避障路径,在此基础上,改变机器人运动的目标位置,可以完成对新目标的泛化推广。仿真和实验结果表明,DMPs算法在移动机器人路径规划上具有可行性。

基于动态运动基元的机器人行为轨迹控制仿真

针对机器人行为轨迹控制效率较慢与控制精准度较低问题,提出了一种基于动态运动基元的机器人行为轨迹控制方法,首先对动态运动基元进行描述,使得系统呈现出不同的运动方式,然后设定出一条离散的运动轨迹点,确定机器人运动轨迹含有的初始学习轨迹运动特性,之后利用PID拟定控制器的切换阈值,再使用模糊控制器划分出轨迹角、误差变化率与驾驶角,并利用模糊推理使后期的轨迹控制更为精准,同时为了得到最优反模糊控制解,在其中引入重心法,最后使用多传感器融合方法将上述获得的精准解与划分信息进行融合,完成对机器人行为轨迹的控制。仿真结果证明,所提方法在机器人行为轨迹控制上有着效率高和控制精准的优点。

基于动力学约束的动态运动基元机械臂轨迹规划

针对传统机械臂轨迹规划方法存在适用性差的问题,利用动态运动基元的学习与泛化特性规划出机械臂的运动轨迹。在动态运动基元的基础上,加入改进的耦合项来实现机械臂避障,再把对速度及加速度的约束转化为对时间缩放因子的约束,利用改进的更新律来满足机械臂动力学约束,从而提出一种基于动力学约束的动态运动基元避障轨迹规划方法,并通过仿真和物理实验验证该方法的可行性。结果表明,基于动力学约束的动态运动基元机械臂轨迹规划方法能够使机械臂在避障的同时,遵守速度或加速度约束,且速度约束可以在线修改;该方法可以提升机械臂在不同约束下的轨迹规划能力与环境适应性。

基于任务参数加权的动态运动基元泛化方法

为了提高机器人示教学习的计算效率以及泛化性能,提出了一种基于任务参数加权的动态运动基元泛化的机器人示教学习模型,主要步骤如下:运用动态运动基元模型提取多次示教运动轨迹的特征参数;在新的任务参数下,运用提取的特征参数重构特征运动轨迹;以示教任务参数与新任务参数的近似程度对特征运动轨迹进行加权叠加,生成新的运动轨迹。在Kukaiiwa机器人上的实验表明,在新的任务场景下,所提方法能够快速有效地泛化出新的运动轨迹,与已有方法相比,在计算效率及示教任务参数附近的泛化性能上有了较大的提升。

基于改进动态运动基元的6D轨迹规划

动态运动基元(DMPs)轨迹规划方法可以简化机械臂控制中参数调整的复杂过程,快速生成运动轨迹,但是面对姿态的流形特性以及跨零点情况,现有的DMPs很难达到预期的效果.本文提出了一种基于改进DMPs的笛卡尔空间6D轨迹规划方法.该方法采用四元数描述姿态,实现了位置轨迹与姿态轨迹的无奇异表示.通过解耦强迫函数与起-终点状态差值项之间的关联,消除了跨零点引起的轨迹抖动、无法生成与翻转等问题.此外,基于机械臂和障碍物间的距离与偏角建立了虚拟阻抗关系,并将其耦合到动力学模型中,实现了机械臂末端的避障控制,避免了避障行为过早问题,有利于减少消耗.机械臂6D轨迹规划仿真和实验表明,本文提出的改进DMPs方法有效.

基于动态运动基元的机器人电子元器件装配轨迹规划方法研究

针对电子元器件装配任务中电子元器件和PCB板种类较多,以及生产过程中产品种类更换频繁所导致的装配轨迹多变等问题,提出一种基于动态运动基元的机器人轨迹规划方法。首先,建立动态运动基元系统方程,对机器人的运动进行建模;其次,根据演示轨迹对非线性函数的参数进行学习,利用非线性最优化的局部加权回归方法求得演示轨迹的权重系数;然后,对方程中的非线性函数项进行分段加权,使系统能够稳定收敛到目标装配点;最后,设计具有末端姿态约束的机器人拖动算法在Panda机器人上进行轨迹演示,根据目标位姿不发生变化与发生变化两种情况生成机器人的自主装配轨迹,并在Panda机器人上对三种不同的电子元器件进行装配验证。结果表明:基于改进后的动态运动基元方法学习到的机器人运动轨迹,不仅能够很好地模仿演示轨迹的运动趋势,而且可以以较高的精度到达目标指定位姿,很好地完成了机器人电子元器件装配任务。

基于视觉和动态运动基元的机械臂抓取轨迹规划

示教学习是机器人通过人类演示学习运动技能的一种方式,本文将深度学习方法与动态运动基元算法相结合,提出了一种基于视觉和动态运动基元的机械臂抓取轨迹规划方法。该方法分为轨迹学习和物体识别抓取两个阶段,在第一阶段,首先采用人工示教的方式获取机器人的运动轨迹,然后使用动态运动基元算法对示教轨迹进行学习,最后获得示教轨迹的参数权重;在第二阶段,使用Kinect v2深度相机对环境进行视觉感知,通过Mask R-CNN算法对目标物体进行识别定位,将识别到的物体二维坐标转换为空间三维坐标输入到动态运动基元算法,然后算法根据新的目标位置泛化出新的抓取轨迹,并传送给机器人进行执行。实验结果证明,与传统轨迹规划方法相比,本文所提出的方法具有较高的灵活性,能够更好地适应复杂多变的现实环境。

基于DMPs的双机器人协同搬运轨迹的学习与泛化

针对双机器人协作系统执行具有强协调约束关系的仿人任务时,存在轨迹学习复杂、协调约束分析欠缺的问题,提出了基于动态运动基元(DMPs)的双机器人协同搬运轨迹学习及泛化方法。首先,从双机器人协同搬运任务出发,分析了双机器人协调约束关系,建立了双机器人运动约束模型。然后,将机器人运动轨迹解耦为位置轨迹和姿态轨迹,采用四元数实现姿态轨迹的无奇异描述,分别建立位置轨迹和姿态轨迹的动态运动基元模型,结合双机器人运动约束模型与动态运动基元模型,兼顾各自的任务要求和相对位姿约束,进而获得双机器人的运动轨迹。接着,开展了双机器人协同搬运轨迹的仿真与实验,结果表明:采用双机器人协同搬运轨迹的学习与泛化方法,当改变起、终点状态时,双机器人定姿态协同搬运的起、终点位置误差分别为0.0292mm和0.1127mm,变姿态协同搬运的起、终点位置误差分别为0.0323mm和0.1131mm,终点的四元数姿态偏差为0.0014、0.0027、0.0018、0.0030,表明该协同搬运轨迹的学习与泛化方法具有较高的运动控制精度,即使起、终点任务参数改变,泛化轨迹仍可保证目标的可达性,验证了提出的双机器人协调运动轨迹控制方法的合理性和有效性。该方法可学习人体搬运过程并能够准确泛化出新的运动轨迹,实现了双机器人的协调运动,具有重要的工程应用价值。

按摩机器人优化示教策略及BPNN-DMPs轨迹学习模型

针对按摩机器人作业对象面貌个性化差异,引用动态运动基元(DMPs)模型泛化位姿轨迹和力轨迹。为提高DMPs学习精度,提出了优化示教策略,基于按摩区域Mediapipe特征点计算作业对象间相似度,以此优选学习对象;其次,引入高斯混合回归,算法综合多次按摩信息以加强学习能力;最后,构建反向传播神经网络(BPNN)模型拟合DMPs算法的强迫项,从根本上改变了原本模型的局限性。实验表明,不增加运行时间下的BPNN-DMPs模型与DMPs、MDMPs和SADMPs算法相比,位置和姿态平均误差分别减少44.1%和54.5%、44.1%和54.5%、29.7%和46.4%。高斯混合回归能够综合多轨迹规律,优化示教策略实施效果显著,与未做优选对象相比,面部实验中的位置和姿态平均误差降低了52.3%和70.2%,标准差降低了46.3%和71.1%;背部实验中的位置、姿态和力平均误差降低了27.7%、66.7%和24.1%,标准差降低了25.7%、54.4%和44.1%。

基元库构建思想的机器人动作与策略演示学习方法

为解决机器人演示学习过程中演示数据优化、动作与任务策略的存储调用问题,提出一种利用基元库思想的演示学习方法。动作学习采用专家拖动机械臂执行动作获取演示数据,利用高斯混合模型与高斯混合回归提升数据质量,由动态运动基元算法转换为基函数的权重值。策略学习将任务步骤创建为动作基元,向基元内添加得到的权重值并构建包含任务执行策略的基元名片,由基元组成基元库完成存储。执行任务时从基元库中有序调用基元,利用YOLOv5目标检测网络和AlexNet图像分类网络检测目标信息,匹配动作并泛化出具有原动作特征的新动作。该方法实现了从演示中学习动作与策略存储,根据实际目标组合合适动作完成任务。钢筋绑扎实验创建5个动作基元,通过专家演示学习10个动作,机器人利用动作基元库成功完成水平面与竖直面钢筋交叉点绑扎任务说明其有效性。

基于多重示范的智能车辆运动基元表征与序列生成

为解决不同驾驶风格的类人驾驶轨迹生成问题,以包含同类型多重示范的真实行车轨迹数据集为依托,提出一种基于驾驶风格参量提取的运动基元表征及基元序列生成方法。单一运动基元以改进的动态运动基元方法进行表征,并引入奇异值分解实现同类型轨迹集合中主要形状表征参量与驾驶风格参量的分离;基元序列则是在关联各独立表征参量的基础上,利用准均匀B样条曲线进行序列拟合。结果表明:单一运动基元表征方法在保证轨迹表征精度的同时,扩展了基元依据驾驶风格的泛化调整能力;基元序列生成方法既实现了对目标点航向和位置的钳位,又保证了各独立基元之间的平滑过渡。

基于改进DMPs的下肢助行机器人步行楼梯的轨迹规划

为了辅助下肢功能障碍患者实现在不同尺寸楼梯行走,运用改进的动态运动基元(DMPs)结合机器人运动学分析规划下肢助行机器人运动轨迹和步态。首先,基于D-H模型,建立下肢助行机器人末端机构位姿与各关节角度的关系。然后,使用改进DMPs模仿预先采集到的正常人体步行楼梯轨迹曲线,根据楼梯高度和宽度参数修改目标点,泛化后得到适应新场景的轨迹曲线。再运用机器人逆运动学分析,规划出适应于不同尺寸楼梯的下肢助行机器人踝关节和髋关节运动轨迹。经过仿真实验验证,基于改进的DMPs结合逆运动学分析能有效地规划助行机器人运动的步态,使机器人能适应不同参数的楼梯行走。

协作机器人运动轨迹模仿学习方法研究

在人机协作领域,模仿学习是广泛使用的机器人编程方法。在机器人对运动轨迹进行技能学习过程中,针对基于动态运动基元方法(dynamic movement primitives,DMP)只能从单条示教轨迹建模动作的局限性,提出了一种新的将高斯混合模型(gaussian mixture model,GMM)、高斯混合回归(gaussian mixture regression,GMR)和改进的DMP三者相结合的运动轨迹模仿学习方法。该方法先将高斯噪声引入示教轨迹,消除由于示教数据中不可避免存在噪声等不平滑特征带来的不利影响;然后,为了减少单条示教轨迹的不确定性带来的动作建模误差,采用GMM从多条示教轨迹中对运动特征进行编码,使用GMR进行概率轨迹回归;其次,利用改进的DMP算法将轨迹进行泛化,提高机器人技能学习的适应性;最后,通过手写字母轨迹和协作机器人拖动轨迹技能学习试验验证了所提算法的有效性。

模型翼拍动中动态柔性变形效应的数值研究

利用数值求解二维不可压缩Navier-Stokes方程,研究了在两种拍动基元运动中,模型翼动态柔性变形对其气动性能的影响.由柔性翼和刚性翼的结果比较发现,附加惯性效应是动态变形影响气动性能的主要原因,变形加速率决定了瞬时气动性能改变量的大小,相比之下,动态变形对气动性能时均值的影响则弱得多.

基于分段动态运动基元的机械臂轨迹学习与避障方法

针对存在障碍物的复杂工作场景中所规划的机械臂运动轨迹与示教轨迹相似性不高的问题,提出一种基于分段DMP(动态运动基元)的轨迹学习与避障方法。首先利用DMP模型对示教轨迹编码生成一条学习轨迹,结合快速扩展随机树算法(RRT)在工作空间中获得能够顺利回归原始轨迹的避障路径;然后针对避障路径确定中间点进行分段DMP优化编码,学习生成具有一定泛化能力的复现轨迹;最后通过机械臂进行轨迹复现,实现保留原始轨迹特征的避障功能。通过手写体字母实验与六轴机械臂平台上的物块搬运实验进行验证,结果表明:DMP分段编码的能力有效解决了传统避障算法所造成的轨迹变形和特征破坏问题,与传统避障算法的轨迹相比,实验结果轨迹与示教轨迹的相似性有了明显提高,验证了所提方法的有效性。

基于动态运动基元的车辆高速公路换道轨迹规划

为提高驾乘人员对自动驾驶车辆换道轨迹的接受度,解决轨迹规划中路径与速度解耦的问题,以高速公路自然驾驶数据集为依托,提出一种基于动态运动基元(Dynamic movement primitives,DMPs)的车辆高速公路换道轨迹规划方法。首先,利用极大似然估计对车辆高速公路历史换道轨迹信息进行分析与处理,得到能够表征自然驾驶员换道特性的换道示教轨迹;其次,采用DMPs算法对换道示教轨迹进行学习,完成对示教轨迹的复现并构建运动基元库;之后,基于运动基元库及换道需求,可泛化出多条适应高速公路驾驶场景的换道轨迹;最后,基于Prescan/Matlab/Carsim联合仿真和实车试验对规划轨迹的实时性和可跟踪性进行验证。结果表明,所提出的换道轨迹规划算法具有计算效率高、泛化能力强、驾乘人员接受度好的优点,并实现了换道路径与速度的协同规划。

基于动态运动基元的6自由度下肢外骨骼步态轨迹规划与控制策略

针对下肢刚性运行过程中的步态轨迹规划问题,提出了一种基于动态运动基元的步态轨迹在线规划方法和控制策略。首先,使用足底压力进行步态相位分割;其次,使用线性倒立摆模型确定落地点位置,再运用逆运动学规划确定各关节角度,使用动态运动基元算法对以前的各个步态相位的运动轨迹进行在线学习;再次,将前面得到的关节角度作为目标终点进行实时步态轨迹规划;最后,根据生成的曲线按照控制策略对外骨骼控制。使用6自由度外骨骼对算法进行了验证,结果表明,使用所提算法可以有效根据步态相位的变换对步态轨迹进行实时在线学习和生成,同时可以保证一定程度的运动稳定性。

基于优选学习泛化机制的机械臂运动规划方法

针对传统机械臂运动规划方法存在智能化低和适用性差的问题,本文研究了基于优选学习泛化机制的机械臂运动规划方法。根据动态运动基元(DMPS)、机械臂D-H模型和正逆运动学,设计了机械臂示教学习(LFD)运动规划系统。在此基础上依据DMPS的学习特性与样本空间的多样性,提出“方位-距离”筛选规则优选样本,并融入运动特征与障碍物的耦合因子实现避障规划。通过Matlab进行机械臂优选LFD系统建模并仿真分析其可行性与精确性,为了验证系统的适用性,设计并完成障碍物环境下的机械臂避障规划物理实验。本文提出的机械臂运动规划方法在一定程度上赋予了机械臂自主作业的能力,提升了其智能化水平。