[发明专利]基于概率模型的机器人离散型轨迹的表征与泛化方法

说明书

本发明涉及一种基于概率模型的机器人离散型轨迹的表征与泛化方法，包括离散型轨迹的示教：将轨迹拆分呈成多段，分别对各段轨迹的进行示教，获取离散型轨迹表征的数据来源，对离散型轨迹表征：基于多个GMM对机器人轨迹进行建模，提取多段轨迹之间的相关关系，对示教轨迹进行表征，对轨迹泛化输出：通过GMR对多段轨迹进行拼接，实现轨迹的泛化输出，使得输出的轨迹具有平滑性。本发明示教过程简单化和可操作性强；可基于时间信息对各段轨迹进行平滑性拼接；通过学习多机械臂的多任务约束关系，从而使得机器人的多机械臂能够协同完成多任务。

技术领域

本发明涉及一种基于概率模型的机器人离散型轨迹的表征与泛化方法。

背景技术

示教学习可以让机器人学习人类在未知环境下如何执行灵巧的操作任务，以及在新的环境和任务目标下生成满足需求的机器人轨迹。基于示教学习的轨迹生成策略能够充分提取示教轨迹的特征，生成具有一定泛化性的机器人轨迹。

离散型轨迹在人类生活中较为常见，如汉字书写等。但是示教学习领域对于离散型轨迹的特征提取的研究较少。当前对于机器人离散型轨迹的表征与泛化的研究主要存在以下几点不足：

(1)、示教轨迹复杂、繁琐。当前离散型示教数据的获取基本都是通过连续化获得。当学习的轨迹较为复杂时，这种示教策略明显显得繁琐，示教过程需要大量的时间成本，也需要一定的技巧对轨迹进行连续化的设计。

(2)、缺乏相应的轨迹拼接策略。与连续型的轨迹不同，离散型的轨迹是由多段轨迹组成，各段轨迹之间存在一定的空间约束和时间约束，当前对离散型轨迹的表征与泛化的研究缺乏相应的策略来将离散的多段轨迹进行拼接，不能在满足原有轨迹的相关约束的同时，使得最后的输出轨迹能够具有较好的平滑性。

发明内容

本发明的目的是提供一种基于概率模型的机器人离散型轨迹的表征与泛化方法。

为达到上述目的，本发明采用的技术方案是：

一种基于概率模型的机器人离散型轨迹的表征与泛化方法，包括：

(1)、离散型轨迹的示教：将轨迹拆分呈成多段，分别对各段轨迹的进行示教，获取离散型轨迹表征的数据来源，

(2)、对离散型轨迹表征：基于多个高斯混合模型(GMM，Gaussian Mixture Model)对机器人轨迹进行建模，提取多段轨迹之间的相关关系，对示教轨迹进行表征，

(3)、对轨迹泛化输出：通过高斯混合回归(GMR，Gaussian Mixture Regression)对多段轨迹进行拼接，实现轨迹的泛化输出，使得输出的轨迹具有平滑性。

优选地，利用k均值聚类算法(k-means)对数据进行聚类，划分示教数据的所属类别，利用最大期望算法(EM算法)对高斯混合模型(GMM)的数据进行学习。

进一步优选地，利用最大期望算法(EM算法)对高斯混合模型(GMM)的数据进行学习时，利用估计步骤(E-step)和最大化步骤(M-step)循环进行直到参数收敛。

进一步优选地，在估计步骤(E-step)中，包括：

(1)、对采样数据做分类划分，

(2)、对各个类(k＝1，2…K)，求样本产生的概率P(yt，γt|μ，Σ，π)，

(3)、求采样数据产生的概率Q函数。

进一步优选地，在最大化步骤(M-step)中最大化Q函数来优化高斯混合模型(GMM)的参数。

优选地，在(1)中：利用拖动示教的策略获取离散型轨迹表征的数据来源。

优选地，在(2)中：利用Matlab编程实现高斯混合模型(GMM)对示教轨迹进行表征。