[发明专利]一种基于元学习的机器人行为示教方法

说明书

本发明提供一种基于元学习的机器人行为示教方法，其特征在于：获取示教视频；利用训练好的神经网络模型对示教视频学习。其中，神经网络模型的训练过程包括如下步骤：采集训练内容；预处理训练内容得到预处理对比视频、预处理示教视频以及预处理运动视频；构建初始神经网络模型；将预处理示教视频作为输入，得到演示动作并计算演示动作损失；根据演示动作损失更新初始神经网络模型得到更新模型；将预处理运动视频以及轨迹动作作为输入得到预测轨迹动作、演示语义、运动语义以及对比语义，并计算目标动作损失以及语义损失进而构建总损失；基于总损失对更新后模型进行更新；直到总损失稳定收敛到总损失阈值，从而得到训练好的神经网络模型。

技术领域

本发明涉及程序控制机械手技术领域，具体涉及一种基于元学习的机器人行为示教方法。

背景技术

随着人工智能技术的发展以及机器人在航空航天、教育、服务、探测以及医疗等领域的广泛应用，机器人的智能化备受人们的广泛关注。然而，大多数传统机器人智能化水平有限，缺乏学习能力和灵活应变任务变化的能力。以工业机器人为例，在每次设置流水线生产时，都需要预先标定并需要专业人员进行编程，十分麻烦。在实际的工业应用中，经常会面临因为业务变更的问题而需要重置生产线的情况。每次生产线换型，都需要麻烦地精准定位工件位置和需要专业人员费时费力的编程，人力物力成本很大。因此，如何通过简单的视觉示教从而节省人力物力使得工序简单是目前工业领域的一个难题。

基于上述难题，一种可能的方法是基于元学习的行为示教：鉴于人类拥有可以通过观察他人来快速学习新行为的能力，机器人也应该具有和人类一样学会学习的能力。目前，模型不可知元学习算法(MAML)^[1]是目前最好的元学习方法之一，它是一种简单但功能强大的元学习技术。虽然MAML算法等元学习算法在回归、分类、图像超分辨率和强化学习等领域都有很好的表现，但是MAML算法等元学习算法在应用过程中仍然存在不少问题。例如，多数元学习方法^[1,2,3,4]在使用过程中仅仅提供视觉信息作为示教时，算法的性能会迅速下降。

参考文献

[1]Finn C,Abbeel P,Levine S.Model-agnostic meta-learning for fastadaptation of deep networks[J].arXiv preprint arXiv:1703.03400,2017.

[2]Finn C,Yu T,Zhang T,et al.One-shot visual imitation learning viameta-learning[J].arXiv preprint arXiv:1709.04905,2017.

[3]James S,Bloesch M,Davison A J.Task-embedded control networks forfew-shot imitation learning[J].arXiv preprint arXiv:1810.03237,2018.

[4]Yu T,Finn C,Xie A,et al.One-shot imitation from observing humansvia domain-adaptive meta-learning[J].arXiv preprint arXiv:1802.01557,2018.

发明内容

为解决上述问题，提供了一种既能学习机器人的运动路径规划又能结合不同语义环境明确所要执行的目标任务从而增强了稳定性以及鲁棒性的机器人行为示教方法，本发明采用了如下技术方案：