熟女人妻水多爽中文字幕,国产精品鲁鲁鲁,隔壁的少妇2做爰韩国电影,亚洲最大中文字幕无码网站

    機(jī)器人的智能化經(jīng)過多年的發(fā)展，已越來越貼近人類，使其成為具有人類的學(xué)習(xí)能力、運(yùn)動能力、執(zhí)行能力、感知能力、認(rèn)知能力等的新型智能機(jī)器人是人類追求的目標(biāo)，其中示教學(xué)習(xí)是研究機(jī)器人學(xué)習(xí)能力的重要分支之一，是智能型仿人機(jī)器人發(fā)展和應(yīng)用的關(guān)鍵。因此，對于示教學(xué)習(xí)的研究一直是學(xué)術(shù)界研究的熱點。

    近年來，為達(dá)到機(jī)器人能準(zhǔn)確、快速的完成人類導(dǎo)師對其示教的動作，出現(xiàn)了許多示教方法，如日本Kondo公司生產(chǎn)的KHR系列機(jī)器人，采用直接輸入機(jī)器人各個關(guān)節(jié)角度的方式進(jìn)行示教；美國戴沃爾提出利用伺服技術(shù)對機(jī)器人的關(guān)節(jié)進(jìn)行控制，人手對機(jī)器人進(jìn)行動作示教，機(jī)器人記錄示教過程中的示教數(shù)據(jù)并進(jìn)行再現(xiàn)；曹其新等人則提出了利用激光深度傳感器在獲得人體各關(guān)節(jié)轉(zhuǎn)角的三維坐標(biāo)后，將其輸入到控制器中進(jìn)行示教，并采用基于速度的有選擇均值濾波法對控制數(shù)據(jù)進(jìn)行處理，以上示教方法在人類對機(jī)器人進(jìn)行示教研究的進(jìn)程中，做出了重要的貢獻(xiàn)，起到了很大的推動作用，但機(jī)器人完成示教動作的準(zhǔn)確性、重現(xiàn)的速度及傳感器數(shù)據(jù)抖動方面扔有待提高。

    在系統(tǒng)控制策略方面，有許多算法被相繼應(yīng)用于機(jī)器人示教領(lǐng)域，如高斯混合模型、強(qiáng)化學(xué)習(xí)、試錯學(xué)習(xí)等。以上方法在用于系統(tǒng)控制時，雖然表現(xiàn)出了良好的系統(tǒng)穩(wěn)定性及有效性，但也存在各自的缺點，如訓(xùn)練時間長、生成的軌跡連續(xù)性不好等。極限學(xué)習(xí)機(jī)ELM(ExtremeLearningMachine)是針對上述算法的缺陷設(shè)計的一種新型算法，其具有泛化學(xué)習(xí)能力強(qiáng)、訓(xùn)練速度快等方面的優(yōu)點。

    綜上所述，為了使機(jī)器人示教系統(tǒng)具有很好的自適應(yīng)性及魯棒性，即機(jī)器人能按照示教動作，在不同起始點上仍按照示教的軌跡回到終點位置，使得機(jī)器人具有一定的智能性及自學(xué)習(xí)能力，并針對上述算法的缺點，本文選用教學(xué)研究型機(jī)器人NAO為實驗平臺，采用扳動其手臂關(guān)節(jié)的方式進(jìn)行示教，同時構(gòu)建了以極限學(xué)習(xí)機(jī)為核心算法的機(jī)器人示教系統(tǒng)，并通過實驗驗證了該算法能使系統(tǒng)具有一定的泛化能力。

控制過程概述

    機(jī)器人完成點到點的示教動作是研究仿人機(jī)器人動作編輯的重要組成部分。故本文將以機(jī)器人完成從起始點到目標(biāo)點的動作為基礎(chǔ)動作，以極短的時間間隔作為采樣的頻率，每次采集時，將NAO右手臂上的四個關(guān)節(jié)角的值采集到，然后對數(shù)據(jù)進(jìn)行預(yù)處理，之后進(jìn)行回歸訓(xùn)練，利用訓(xùn)練好的模型對機(jī)器人的控制器進(jìn)行控制，使得機(jī)器人重現(xiàn)示教動作更加準(zhǔn)確。（如圖1）

實驗平臺簡介

    法國AldebaranRobotics公司研制的小型仿人機(jī)器人NAO，高度為58厘米，全身共有25個自由度，具有動覺、視覺、觸覺、感知、認(rèn)知等能力，其擁有完善的數(shù)字處理器及電機(jī)制動器、豐富的傳感器系統(tǒng)、多種交流設(shè)備、特有的操作系統(tǒng)NAOqi、完備的配套編程平臺，具備Wi-Fi連接及以太網(wǎng)兩種通信方式，因其具備良好的二次開發(fā)的優(yōu)勢，被廣泛作為教學(xué)、科研等方面的研究工具。

示教學(xué)習(xí)算法

    由于傳感器測量時存在累積誤差、噪聲、穩(wěn)定性等問題，會使測量到的數(shù)據(jù)不夠準(zhǔn)確，故使用離散時間的卡爾曼濾波KF(KalmanFilter)來對NAO手臂關(guān)節(jié)上的傳感器輸出數(shù)據(jù)進(jìn)行融合，使得機(jī)器人手臂姿態(tài)的準(zhǔn)確性最優(yōu)，有利于提高機(jī)器人示教學(xué)習(xí)的準(zhǔn)確性。根據(jù)上一時刻關(guān)節(jié)傳感器采集到的測量值對下一時刻的測量值進(jìn)行估計，然后與下一時刻傳感器的測量值進(jìn)行數(shù)據(jù)融合，即更正下一時刻的測量值，以便使數(shù)據(jù)更準(zhǔn)確。

    根據(jù)機(jī)器人實際運(yùn)動狀態(tài)，將運(yùn)動系統(tǒng)定義為一階常微分方程：

實驗

    HCS(LearningHumanbyDemonstration)是由Y.OuandY.Xu[12]提出的用于在非線性動態(tài)系統(tǒng)中，利用支持向量基為模型學(xué)習(xí)動態(tài)系統(tǒng)的參數(shù)，以保證動作能夠按照示教動作達(dá)到并停止到目標(biāo)點的一種統(tǒng)計學(xué)優(yōu)化算法。為驗證ELM算法具有在上述約束條件下收斂、訓(xùn)練速度快、準(zhǔn)確率高等特點，首先將ELM與SEDS在采用相同的樣本數(shù)據(jù)為前提下，將兩者的仿真實驗結(jié)果進(jìn)行比較。樣本數(shù)據(jù)來源為采集的多種人類實際手寫體數(shù)據(jù)庫。以數(shù)據(jù)庫中的Cshape、Spoon、Line、Trapezoid等數(shù)據(jù)為例，實驗對比圖如圖3所示。

    在實驗平臺上做實際的示教實驗，首先由操作者扳動機(jī)器人NAO的手臂末端執(zhí)行器，使其做出要求的避障取物動作，在示教的同時，NAO中的遠(yuǎn)程控制器，記錄下每間隔100ms傳感器、關(guān)節(jié)角等的值，當(dāng)需要機(jī)器人重現(xiàn)示教動作時，動態(tài)系統(tǒng)從存儲器中取出經(jīng)ELM算法訓(xùn)練出的控制信息，將指令信號傳給驅(qū)動機(jī)構(gòu)，使驅(qū)動機(jī)構(gòu)準(zhǔn)確、快速的完成要求的動作。ELM中，隱藏層節(jié)點個數(shù)為50，輸入層與隱藏層權(quán)值均為隨機(jī)向量，以處理后機(jī)器人手臂末端執(zhí)行器的空間位置數(shù)據(jù)作為極限學(xué)習(xí)機(jī)的輸入，以手臂末端的速度作為其輸出。

    人類導(dǎo)師示教過程及示教曲線圖如圖4所示。

    圖5為機(jī)器人從不同的起始點進(jìn)行避障示教及重現(xiàn)的軌跡圖，黑色點集代表動作起始點，藍(lán)色點集代表動作的終止點，紅色曲線為樣本數(shù)據(jù)組成的示教曲線，藍(lán)色曲線為機(jī)器人重現(xiàn)示教動作的曲線圖。

結(jié)論

    本文結(jié)合ELM學(xué)習(xí)算法的訓(xùn)練速度快、所需調(diào)節(jié)的參數(shù)少等優(yōu)點，對機(jī)器人進(jìn)行示教學(xué)習(xí)，彌補(bǔ)了以往仿人機(jī)器人示教學(xué)習(xí)時學(xué)習(xí)速度慢，重現(xiàn)示教動作精確度不高等方面的不足，實踐效果表明，采用該方法有很好的抗干擾能力、很好的泛化能力，同時也避免了維度災(zāi)難。采用常微分方程將基于ELM的動態(tài)系統(tǒng)描述為非線性動態(tài)系統(tǒng)，并給出了該系統(tǒng)在目標(biāo)點達(dá)到局部穩(wěn)定的約束條件，利用李雅普諾夫穩(wěn)定性定理對其穩(wěn)定性給予了理論支撐，為今后仿人機(jī)器人學(xué)習(xí)更多復(fù)雜的示教動作奠定基礎(chǔ)。