基于示教的机器人技能学习与任务规划方法

作     者：董佳乐 

作者单位：华南理工大学 

学位级别：硕士

导师姓名：冯颖

授予年度：2023年

学科分类：080202[工学-机械电子工程] 08[工学] 0804[工学-仪器科学与技术] 0802[工学-机械工程] 

主      题：机器人技能学习 动态运动原语 广义高斯混合模型 行为树 宽度学习系统 

摘      要：机器人在日常生活中的应用越来越广泛,然而,机器人执行任务的能力仍然受到许多限制,例如对复杂技能的学习、对任务的理解、对动作的控制能力等等。研究基于示教(Learning from Demonstration,Lf D)的机器人技能学习与任务规划方法,对于推动机器人技术的发展具有重要意义。这种方法可以提升机器人的智能水平和自适应能力,能够更好地适应不同的任务和环境。本文将对机器人示教方法进行研究,通过改进现有的技能模型,并结合行为决策与规划算法,开发出基于示教的机器人技能学习与任务规划方法。首先,本文对经典的机器人技能模型与学习方法开展研究与分析。针对动态运动原语(Dynamic Movement Primitive,DMP)泛化能力不足的问题,对其原始的模型进行了改进,增强了其泛化和适用性能。同时为了机器人能够工作在非结构环境中,提高其在遇到障碍物时的应对能力,本文研究并分析了基于DMP的轨迹避障方法,使机器人能够避开阻碍其前进的障碍物。进一步地,为了让机器人可以学习到人的自适应刚度调节技能,本文设计了一种基于DMP的自适应刚度调整方法,使机器人能够根据任务与环境自适应调整自身刚度。其次,为了提高机器人技能学习的质量与示教的效率,本文提出了一种基于广义高斯混合模型(Gaussian Mixture Model,GMM)和高斯混合回归(Gaussian Mixture Regression,GMR)的从多次示教中学习技能的方法,先用广义GMM对多组示教数据建模,然后用GMR回归得到一条平滑的轨迹,最后用DMP对生成的轨迹进行建模,提高了技能学习的质量。最后,为了提高机器人在现实环境下完成任务的能力,本文提出了一种基于行为树(Behavior Tree,BT)的任务规划方法。首先将实际任务分成若干个子任务,对每个子任务分别进行示教学习与技能建模,然后建立任务的行为树模型,用于规划技能的执行顺序,机器人在执行时根据任务需求和环境状态选择合适的技能。本文用改进的DMP表征机器人的运动技能并作为行为树的执行节点,拓展了技能的应用场景,增强了机器人在任务层面的泛化能力。进一步地,本文将宽度学习系统(Broad Learning System,BLS)作为行为树的节点,用于决策行为的参数,增强了机器人在未知环境下完成任务的能力。