一种基于DTW-DP-GMM的工业机器人轨迹学习策略

作     者：肖洒 陈旭阳 叶锦华 吴海彬 Xiao Sa;Chen Xuyang;Ye Jinhua;Wu Haibin

作者机构：福州大学机械工程及自动化学院福州350108 福建省特种智能装备安全与测控重点实验室福州350108 

出 版 物：《天津大学学报（自然科学与工程技术版）》 (Journal of Tianjin University：Science and Technology)

年 卷 期：2025年第58卷第1期

页      面：68-80页

核心收录：

学科分类：08[工学] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：国家重点研发计划资助项目(2018YFB1308603) 福建省高校产学合作项目(2022H6016) 

主　　题：工业机器人 示教编程 高斯混合模型 道格拉斯-普克算法 动态时间规整 轨迹复现 

摘      要：针对机器人示教编程过程中使用高斯混合模型(GMM)规划运动轨迹时存在的高斯分布个数难以选择、复现轨迹精度较低等问题,提出了一种复合的机器人运动轨迹学习策略.该策略包含动态时间规整(DTW)算法、高斯混合模型与道格拉斯-普克(DP)算法.首先,针对示教过程中采集的多条轨迹在时间长度上存在差异的问题,采用DTW算法来统一示教轨迹在时域上的变化.其次,使用GMM算法对示教轨迹的特征进行提取,并利用高斯混合回归(GMR)算法将其重构为复现轨迹.在这个过程中采用DP算法来预估GMM算法的关键参数高斯分布的数量,与传统方法相比,能够简单直观地得到相对准确的参数值.利用DP算法对复现轨迹的数据点进行稀疏化并优化,不仅确保了机器人最终运动轨迹的精度,而且大幅减少了最终轨迹数据点的数量.最后,进行了不同形状的模拟焊接轨迹学习规划实验.结果表明:经由DTW对齐后的示教轨迹具有更加明显的运动特征,经过GMM-GMR学习输出的复现轨迹具有良好的表征结果;在使用GMM-GMR算法学习示教轨迹的过程中,采用DP算法可以有效预估高斯分布个数;经过DP算法稀疏化并优化的最终轨迹的平均位置误差均在0.500 mm以内,其最大误差可以控制在0.800 mm以内,可以满足焊接轨迹规划的精度要求,验证了该策略的有效性和优越性.