[发明专利]基于高斯过程学习的人臂运动学建模方法

说明书

本发明公开了一种基于高斯过程学习的人臂运动学建模方法。建立7自由度(DOF)人臂运动学模型，输入人臂手掌位姿和上臂、下臂的长度，输出人臂运动时最舒适的臂构型。本方法采用红外运动捕捉仪采集人臂以最舒适的方式运动时肩关节、肘关节、腕关节、手掌中心位姿及上下臂的长度，使用高斯过程回归方法学习人臂以最舒适的方式运动时手掌中心位姿及上下臂长度与臂角的高斯过程回归模型，建立基于高斯过程学习的人臂运动学模型。本方法优势在于：无需研究人臂复杂的运动机理，与基于能量最优、生物力学模型等传统方法相比计算更简单；除了将手掌中心位姿作为输入外，还将上下臂的长度作为输入，因此本方法得到的拟人臂构型更精确、普适性更强。

技术领域

本发明涉及一种运动学建模方法，尤其涉及人臂运动学建模方法以及仿人机械臂运动控制。

背景技术

传统的人臂运动学建模方法，需研究人臂运动机理以得到拟人臂构型，如基于能量最优、生物力学模型建立人臂运动学模型，这类方法主要问题在于计算复杂、计算精度低。近年来，机器学习的方法被广泛研究，专门研究计算机如何模拟或实现人类的学习行为，获取新的知识或技能来解决复杂的问题。目前，有些研究将机器学习的方法应用到人臂运动学建模中，如使用贝叶斯网络建立人臂运动学模型，但是该方法没有考虑腕关节对人臂冗余性的影响；使用神经网络学习人臂的运动学模型，将手掌末端位姿作为输入，但该方法并没有考虑手臂长度的影响。高斯过程(GPR)是近几年被广泛研究的一种基于概率的非参数机器学习回归方法，既给定输入X和输出Y学习输入和输出之间的映射关系，并且利用这个映射关系，可以预测出其他的输入所对应的输出量。它有着严格的统计学习理论知识，对处理高维数、小样木、非线性等复杂的问题具有很好的适应性，且泛化能力强，与神经网络、支持向量机相比，GPR具有容易实现、超参数自适应获取、非参数推断灵活以及输出具有概率意义等优点。综上所述，高斯过程回归的方法可以用于学习拟人臂构型。目前，使用高斯过程学习的方法建立人臂运动学模型的研究较少，本发明使用该方法学习人臂以最舒适的方式运动时手掌中心位姿及上下臂长度与臂角的运动模型，建立基于高斯过程学习的人臂运动学模型。

发明内容

本发明的目的是提供一种基于高斯过程学习的人臂运动学建模方法，通过高斯过程回归学习人臂以最舒适的方式运动时手掌中心位姿及上下臂长度与臂角的高斯模型，建立基于高斯过程学习的人臂运动学模型。

本发明的技术方案是一种基于高斯过程学习的人臂运动学建模方法，其特征是建立7DOF人臂运动学模型，输入人臂以最舒适的方式运动时手掌中心位姿和上臂、下臂的长度，输出人臂运动时最舒适的臂构型；采用红外运动捕捉仪采集人臂以最舒适的方式运动时肩关节、肘关节、腕关节、手掌中心位姿及上下臂的长度，使用高斯过程回归方法学习人臂以最舒适的方式运动时手掌中心位姿及上下臂长度与臂角的高斯模型，建立基于高斯过程学习的人臂运动学模型。具体包括以下步骤：

具体包括以下步骤，如图1所示：

步骤一：将人臂骨骼模型(如图2所示)简化为7DOF运动学模型，建立人臂运动学坐标系，如图3所示；

步骤二：人臂训练数据采集；

该步骤的具体过程为：

使用红外运动捕捉仪采集数据，提出一种人臂Marker点布置方式；采集人臂在空间中以最舒适的方式运动时肩关节、肘关节、腕关节、末端的位姿及上下臂长度，将采集到的100组末端位姿及上下臂长度作为训练输入集X，30组作为测试输入集X₀；使用几何法计算臂角，将计算出的100组人臂以最舒适的方式到达末端位置时的臂角作为训练输出集Y，30组作为测试输出集Y₀。