[发明专利]一种机器人准周期运动演示学习方法

权利要求书

1.一种机器人准周期运动演示学习方法，其特征在于，包括：

步骤1、当确定机器人运动轨迹为准周期运动时，对所述运动轨迹依次进行偏移量提取、谐波分离、包络提取以及相位识别，逐一将准周期运动分解为一系列周期运动和非周期运动；

步骤2、采用高斯混合模型GMM和高斯混合回归GMR分别对周期运动和非周期运动中的各分量进行建模学习与预测；

步骤3、根据如下定义式将学习后的各分量合成为新的准周期运动：

其中，γ为偏移量，ξ_ij为包络分量，χ_ij为谐波分量，N为非线性组合的周期运动和非周期运动的数量，C为周期运动的傅里叶级数展开式中谐波成分的次数。

2.根据权利要求1所述的方法，其特征在于，所述步骤1之前，还包括：

利用快速傅里叶变换FFT的频谱图特性，确定机器人运动轨迹为周期运动、非周期运动或准周期运动。

3.根据权利要求2所述的方法，其特征在于，所述利用快速傅里叶变换FFT的频谱图特性，确定机器人运动轨迹为周期运动、非周期运动或准周期运动，具体包括：

当f＝0时，幅值大于预设阈值，那么该运动轨迹为非周期运动；

当f＝0时，幅值不存在，当f＝nf₀时，幅值大于预设阈值，那么该运动轨迹为周期运动；

当f＝0以及f＝nf₀时，幅值均大于预设阈值，那么该运动轨迹为准周期运动；

其中，f为频率，n为整数，f₀为基频。

4.根据权利要求1所述的方法，其特征在于，所述偏移量提取采用经验模态分解EMD方法，得到偏移量γ。

5.根据权利要求1所述的方法，其特征在于，所述谐波分离采用陷波滤波器notchfilter方法，得到只有一个频率成分的具有幅度调制的谐波分量ξ_ijχ_ij。

6.根据权利要求1所述的方法，其特征在于，所述包络提取采用Hilbert变换方法，得到包络分量ξ_ij。

7.根据权利要求1所述的方法，其特征在于，谐波分量χ_ij的表达式为：

其中，Ω_i为一次谐波成分的角频率，为第j次谐波分量的相位角。

8.根据权利要求7所述的方法，其特征在于，所述相位角的表达式为：

其中，K为峰值的个数，t_pi和k_i为谐波分量χ_ij的峰值和时间，ω为谐波分量χ_ij的角频率，α_j为相位补偿系数。