Chenfiona的个人博客分享 http://blog.sciencenet.cn/u/Chenfiona

博文

贺威团队&王耀南院士团队 | 基于动态运动基元的机器人技能学习

已有 379 次阅读 2023-10-23 16:57 |个人分类:好文推荐|系统分类:论文交流

title.jpg

北京科技大学贺威教授团队和湖南大学王耀南院士团队合作开发了一种具备运动建模和执行能力的机器人技能学习框架。为了使机器人能够从演示中学习技能,研究引入了一种名为动态运动基元(DMPs)的学习方法,用于对运动进行建模。研究在DMPs框架中采用了阶段式教学策略,以增强其通用性,使多关节机械臂可以执行复杂任务。DMP连接方法用于在位置和速度空间中实现精确而平滑的转换,连接复杂的运动序列。此外,该方法将运动分为不同的目标和持续时间进行处理。值得一提的是,本研究还提出了一种自适应神经网络(NNs)控制方法,以实现高准确度的轨迹跟踪并确保动作执行的性能,从而提高技能学习系统的可靠性。通过在Baxter机器人上进行实验,该方法的有效性得到了证实。

题目.jpg

图片来自Springer

全文下载:

Dynamic Movement Primitives Based Robot Skills Learning

Ling-Huan Kong, Wei He, Wen-Shi Chen, Hui Zhang, Yao-Nan Wang

https://link.springer.com/article/10.1007/s11633-022-1346-z

https://www.mi-research.net/en/article/doi/10.1007/s11633-022-1346-z

全文导读

随着科学技术的发展,机器人在制造业逐渐得到广泛应用。运动规划对于各种机器人研究和应用来说至关重要。目前,机器人运动规划所需的专业知识对用户设置了较高的门槛,这极大地限制了机器人的进一步应用。演示学习(LfD)日益成为提高机器人学习能力的关键工具。换句话说,在从演示中学习动作后,机器人能够模仿人类导师的动作。然而,一些问题仍有待解决。主要的一大问题是如何使机器人学习具有长序列运动的复杂任务。此外,机器人的学习能力也亟待增强,以应对机器人模型中存在的不确定性。


智能机器人不仅要能够重复演示的行为,还要能够将其应用到新的情境中。因此,有效的运动模型对于运动学习和泛化来说是必不可少的。隐马尔可夫模型(HMMs)、高斯混合模型(GMMs)和动态运动基元(DMPs)是广泛用于LfD的方法。近年来,DMPs因具备以下优势而获得了更多关注:1)能够保证全局稳定性;2)高效的学习和泛化能力;3)在空间和时间上的可伸缩性;4)能够整合耦合项。DMPs通过结合统计学习方法,描述了特定运动序列的吸引行为,将其建模为自主非线性动态系统(DS)。DMPs的本质是一个由可学习的自主驱动项调制的高优先级动态系统(弹簧-阻尼系统)。全局稳定性由此得到了保证,并且可以生成平滑的轨迹。这些灵活的运动基元已经应用于大量的机器人任务中,例如插销任务、粘合任务等。其他研究也表明,机器人可以从单个演示或多个演示中学习技能。此外,强化学习被用于执行高维度的机器人任务。迄今为止,DMPs已经成为LfD中强大的算法,并在机器人应用中显示出巨大的潜力。


人类能够自然而连贯地实现复杂的运动序列。大部分机器人研究的关注点都在于如何优化DMP机制或如何将外部信息(如力传感器和摄像头)与之相结合。关于多个运动序列的连接问题,学界目前的研究讨论较为有限。在多关节机械臂上教授多阶段运动序列的过程是更为复杂的一项研究。对于某些特定任务,我们必须将演示分割为几个阶段并进行独立演示,这进一步说明了连接运动序列的重要性。对原始的DMP系统而言,其主要缺陷是生成轨迹末端的速度接近零。这一缺陷会导致运动之间的不连贯,并且速度差异可能影响操纵器的稳定性。根据B. E. Perk等学者的研究,与局部收缩理论相结合可以使DMP系统的动作过渡更加平滑。然而,这种方法在复现轨迹时的精确性仍存在不足。


以往的研究已经证实,神经网络(NNs)在函数逼近和优化方面具有出色的能力。因此,NNs已广泛用于降低机器人动力学中的不确定性。 


图1.jpg

本文在修改原始的DMP公式基础上,为了使机器人能够准确地从演示中学习技能,引入了一种新的连接方法,通过该方法,在位置空间和速度空间中实现了平滑且自然的过渡,并且能够以高准确度再现目标轨迹的位置和速度轮廓。本文将神经网络逼近集成到基于DMP的轨迹跟踪控制中,以使机器人能够在一些复杂任务中实现高精度控制,从而提高机器人技能学习框架的可靠性。


基于上述考虑,本文的主要工作总结如下:

1) 为了充分利用动态系统的性能,本文基于原始DMP公式引入了一种新的连接方法,能够在位置和速度轮廓上高精度地产生平滑的目标轨迹。

2) 提出了一种基于神经网络的学习方法,用于逼近未知模型,从而提高了闭环系统的跟踪精度和模仿性能。


全文下载:

Dynamic Movement Primitives Based Robot Skills Learning

Ling-Huan Kong, Wei He, Wen-Shi Chen, Hui Zhang, Yao-Nan Wang

https://link.springer.com/article/10.1007/s11633-022-1346-z

https://www.mi-research.net/en/article/doi/10.1007/s11633-022-1346-z

BibTex:

@Article{MIR-2022-03-088,
author = {Ling-Huan Kong and Wei He and Wen-Shi Chen and Hui Zhang and Yao-Nan Wang},
journal = {Machine Intelligence Research},
title = {Dynamic Movement Primitives Based Robot Skills Learning},
year = {2023},
volume = {20},
number = {3},
pages = {396-407},
doi = {10.1007/s11633-022-1346-z}
}


作者团队.png

纸刊免费寄送

Machine Intelligence Research

MIR为所有读者提供免费寄送纸刊服务,如您对本篇文章感兴趣,请点击下方链接填写收件地址,编辑部将尽快为您免费寄送纸版全文!

说明:如遇特殊原因无法寄达的,将推迟邮寄时间,咨询电话010-82544737

收件信息登记:

https://www.wjx.cn‍/vm/eIyIAAI.aspx#  


关于Machine Intelligence Research

Machine Intelligence Research(简称MIR,原刊名International Journal of Automation and Computing)由中国科学院自动化研究所主办,于2022年正式出版。MIR立足国内、面向全球,着眼于服务国家战略需求,刊发机器智能领域最新原创研究性论文、综述、评论等,全面报道国际机器智能领域的基础理论和前沿创新研究成果,促进国际学术交流与学科发展,服务国家人工智能科技进步。期刊入选"中国科技期刊卓越行动计划",已被ESCI、EI、Scopus、中国科技核心期刊、CSCD等数据库收录。


好文推荐

乔红院士团队 | 类脑智能机器人:理论分析与系统应用 (机器智能研究MIR)

上海交大严骏驰团队 | 综述: 求解布尔可满足性问题(SAT)的机器学习方法

西电公茂果团队 | 综述: 多模态数据的联邦学习

高文院士团队 | 综述: 大规模多模态预训练模型

前沿观点 | 谷歌BARD的视觉理解能力如何?对开放挑战的实证研究

港中文黄锦辉团队 | 综述: 任务型对话对话策略学习的强化学习方法

南航张道强教授团队 | 综述:用于脑影像基因组学的机器学习方法

ETHZ团队 | 一种基于深度梯度学习的高效伪装目标检测方法 (机器智能研究MIR)

Luc Van Gool团队 | 深度学习视角下的视频息肉分割

专题综述 | 高效的视觉识别: 最新进展及类脑方法综述

北大黄铁军团队 | 专题综述:视觉信息的神经解码

专题综述 | 迈向脑启发计算机视觉的新范式

专题好文 | 新型类脑去噪内源生成模型: 解决复杂噪音下的手写数字识别问题

戴琼海院士团队 | 用以图像去遮挡的基于事件增强的多模态融合混合网络

ETH Zurich重磅综述 | 人脸-素描合成:一个新的挑战

华南理工詹志辉团队 | 综述: 面向昂贵优化的进化计算

东南大学张敏灵团队 | 基于选择性特征增广的多维分类方法

联想CTO芮勇团队 | 知识挖掘:跨领域的综述

复旦邱锡鹏团队 | 综述:自然语言处理中的范式转换



往期目录

2023年第4期 | 大规模多模态预训练模型、机器翻译、联邦学习......

2023年第3期 | 人机对抗智能、边缘智能、掩码图像重建、强化学习... 

2023年第2期 · 特约专题 | 大规模预训练: 数据、模型和微调

2023年第1期 | 类脑智能机器人、联邦学习、视觉-语言预训练、伪装目标检测... 

2022年第6期 | 因果推理、视觉表征学习、视频息肉分割...

2022年第5期 | 重磅专题:类脑机器学习

2022年第4期 | 来自苏黎世联邦理工学院Luc Van Gool教授团队、清华大学戴琼海院士团队等

2022年第3期 | 聚焦自然语言处理、机器学习等领域;来自复旦大学、中国科学院自动化所等团队

2022年第2期 | 聚焦知识挖掘、5G、强化学习等领域;来自联想研究院、中国科学院自动化所等团队

主编谭铁牛院士寄语, MIR第一期正式出版!



MIR资讯

2022影响因子发布!人工智能领域最新SCI & ESCI期刊一览

主编谭铁牛院士主持,MIR第二次国内编委会议圆满召开

喜报 | MIR入选图像图形领域 T2级 “知名期刊”!

2023年人工智能领域国际学术会议参考列表 | 机器智能研究MIR

恭喜!MIR 2022年度优秀编委

双喜!MIR入选”2022中国科技核心期刊”,并被DBLP收录 | 机器智能研究MIR

报喜!MIR入选2022年国际影响力TOP期刊榜单

喜报 | MIR被 ESCI 收录!

喜报 | MIR 被 EI 与 Scopus 数据库收录


微信公众号最下方图片.gif





https://m.sciencenet.cn/blog-749317-1406936.html

上一篇:南科大于仕琪团队 | YuNet:一个速度为毫秒级的人脸检测器
下一篇:前进20名!MIR再度跻身国际影响力TOP期刊榜单

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-2-29 23:58

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部