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

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。

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。

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,

journal = ,

title = ,

year = ,

volume = ,

number = ,

pages = ,

doi =

}

作者团队