關(guān)節(jié)型機(jī)器人動(dòng)態(tài)操作任務(wù)中運(yùn)動(dòng)規(guī)劃的學(xué)習(xí)控制研究.pdf

1、機(jī)器人動(dòng)態(tài)操作任務(wù)是指在對運(yùn)動(dòng)目標(biāo)進(jìn)行識(shí)別、判斷、分析或預(yù)測的基礎(chǔ)上，進(jìn)行相關(guān)操作的動(dòng)態(tài)規(guī)劃、學(xué)習(xí)、模擬和控制等。它是智能機(jī)器人研究領(lǐng)域中的一個(gè)前沿應(yīng)用課題，在航天、工業(yè)、體育娛樂等領(lǐng)域有著極其廣闊的應(yīng)用前景。 相對靜態(tài)操作任務(wù)而言，機(jī)器人實(shí)現(xiàn)動(dòng)態(tài)操作任務(wù)所遇到的最大挑戰(zhàn)在于其作業(yè)環(huán)境，即作業(yè)目標(biāo)的運(yùn)動(dòng)不確定性。因此，如何面對運(yùn)動(dòng)目標(biāo)而保持或提高機(jī)器人各項(xiàng)操作活動(dòng)的成功概率顯得至關(guān)重要，其關(guān)鍵就是如何進(jìn)行運(yùn)動(dòng)規(guī)劃。傳統(tǒng)運(yùn)動(dòng)規(guī)劃方

2、法的計(jì)算量較大以及機(jī)器人和運(yùn)動(dòng)目標(biāo)的精確模型難以獲得等問題，給運(yùn)動(dòng)規(guī)劃提出了新的課題和挑戰(zhàn)。 本文提出以學(xué)習(xí)控制為解決途徑，利用已有規(guī)劃結(jié)果進(jìn)行學(xué)習(xí)以及通過與環(huán)境的交互過程進(jìn)行自主規(guī)劃。在傳統(tǒng)的運(yùn)動(dòng)規(guī)劃方法基礎(chǔ)上，通過模仿人類的記憶學(xué)習(xí)和試探性學(xué)習(xí)模式，采用案例學(xué)習(xí)和增強(qiáng)學(xué)習(xí)實(shí)現(xiàn)自主運(yùn)動(dòng)規(guī)劃和控制，以提高系統(tǒng)的學(xué)習(xí)能力。 本文主要完成以下幾方面的工作：1.動(dòng)態(tài)操作任務(wù)的多智能體運(yùn)動(dòng)規(guī)劃框架以打擊任務(wù)為例，建立單機(jī)器人的多

3、智能體運(yùn)動(dòng)規(guī)劃體系結(jié)構(gòu)，將傳統(tǒng)和智能規(guī)劃方法結(jié)合起來實(shí)現(xiàn)一種具有強(qiáng)智能的運(yùn)動(dòng)規(guī)劃。這種體系結(jié)構(gòu)可產(chǎn)生一般分層遞階式或包容式結(jié)構(gòu)難以達(dá)到的靈活性和智能性。本文建立的多智能體運(yùn)動(dòng)規(guī)劃結(jié)構(gòu)由若干個(gè)稱為功能模塊的智能體和一個(gè)中心黑板組成。每個(gè)智能體代表運(yùn)動(dòng)規(guī)劃的一個(gè)子任務(wù)，它由接口和知識(shí)源組成。接口接受由黑板模型激活的任務(wù)，然后該智能體利用自身的知識(shí)源進(jìn)行子任務(wù)求解，結(jié)果放在黑板中供黑板推理和激活其他智能體。 2.基于目標(biāo)預(yù)測的運(yùn)動(dòng)規(guī)劃

4、旨在為后續(xù)研究基于案例學(xué)習(xí)的運(yùn)動(dòng)規(guī)劃提供學(xué)習(xí)案例。通過模糊規(guī)則確定動(dòng)作目標(biāo)的位置約束，仿真表明該方法確定的動(dòng)作目標(biāo)可以更小的速度達(dá)到相同的打擊效果，這無疑對控制是有利的。由于運(yùn)動(dòng)目標(biāo)存在隨機(jī)性，期望機(jī)器人的動(dòng)作具有較大的可操作性和基于任務(wù)的操作靈活性。本文以機(jī)器人可操作度和路徑長度的加權(quán)作為優(yōu)化目標(biāo)進(jìn)行路徑規(guī)劃，再以任務(wù)方向的可操作度進(jìn)行軌跡規(guī)劃。仿真結(jié)果表明本文軌跡規(guī)劃方法可使機(jī)器人的任務(wù)操作靈活性得到提高。 3.運(yùn)動(dòng)規(guī)劃案例

5、學(xué)習(xí)及其實(shí)現(xiàn)針對傳統(tǒng)運(yùn)動(dòng)規(guī)劃方法需要系統(tǒng)精確模型等問題，本文提出案例學(xué)習(xí)的規(guī)劃方法。首先對機(jī)器人的運(yùn)動(dòng)能力進(jìn)行判別，然后對運(yùn)動(dòng)目標(biāo)與機(jī)器人的交互過程進(jìn)行分析，得到確定機(jī)器人動(dòng)作目標(biāo)的三個(gè)映射關(guān)系。對于案例數(shù)量有限問題，提出采用支持向量機(jī)作為案例學(xué)習(xí)的實(shí)現(xiàn)方法。由于實(shí)際應(yīng)用中不同的案例具有不同的重要程度，采用加權(quán)支持向量機(jī)實(shí)現(xiàn)案例學(xué)習(xí)。仿真分別采用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和加權(quán)支持向量機(jī)，結(jié)果表明，基于支持向量機(jī)的案例學(xué)習(xí)實(shí)現(xiàn)方法在精度、泛化

6、能力和對樣本數(shù)據(jù)依賴程度優(yōu)于以神經(jīng)網(wǎng)絡(luò)為代表的傳統(tǒng)方法，更適于案例學(xué)習(xí)；而加權(quán)支持向量機(jī)比標(biāo)準(zhǔn)支持向量機(jī)精度更高。 4.自主運(yùn)動(dòng)規(guī)劃增強(qiáng)學(xué)習(xí)是一種不需要系統(tǒng)精確模型的學(xué)習(xí)方法，且不需要樣本數(shù)據(jù)，它在與環(huán)境的不斷交互中學(xué)習(xí)，可以實(shí)現(xiàn)自主的運(yùn)動(dòng)規(guī)劃，避免復(fù)雜的運(yùn)動(dòng)學(xué)逆解。本文對動(dòng)態(tài)操作任務(wù)的運(yùn)動(dòng)規(guī)劃問題進(jìn)行分析：將機(jī)器人的關(guān)節(jié)角和運(yùn)動(dòng)目標(biāo)的狀態(tài)作為輸入變量，關(guān)節(jié)角變化作為輸出變量；采用目標(biāo)分解的方式，將動(dòng)態(tài)操作任務(wù)的位置、姿態(tài)和速度