發(fā)布時(shí)間：2020-04-30 06:09

【摘要】：機(jī)器人與人共處、相互協(xié)作成為現(xiàn)代生產(chǎn)和生活中的迫切訴求,“人機(jī)共融”和“人機(jī)協(xié)作”的概念自然而生,至今已有多年。與人共享智能、具有共同行為、協(xié)作完成共同任務(wù)(智能共融、行為共融和任務(wù)共融)是其基本特征和要素,已成為國(guó)內(nèi)外學(xué)術(shù)界的共識(shí)。人機(jī)共融的前提條件是人-機(jī)和平共處,即“安全共融”。雖然目前已有許多穩(wěn)定和魯棒的機(jī)器人控制算法,但是人機(jī)共融作業(yè)處于非結(jié)構(gòu)化和非標(biāo)準(zhǔn)化的動(dòng)態(tài)環(huán)境中,無(wú)法對(duì)其進(jìn)行完備和準(zhǔn)確地建模與解析,存在著系統(tǒng)的內(nèi)部誤差或者外部的異常,如人為碰撞、物體滑落和工具碰撞等。為了賦予機(jī)器人更長(zhǎng)期的自治和更安全的人機(jī)共融環(huán)境,機(jī)器人必須進(jìn)行實(shí)時(shí)多模態(tài)信息的融合建模,進(jìn)而實(shí)現(xiàn)自身運(yùn)動(dòng)行為的精準(zhǔn)感知(Introspection)和異常修復(fù)策略的學(xué)習(xí)。因此,本文對(duì)機(jī)器人多模態(tài)感知與學(xué)習(xí)進(jìn)行系統(tǒng)深入的理論研究和實(shí)踐探索,主要研究?jī)?nèi)容和取得的成果如下:(1)針對(duì)學(xué)習(xí)與泛化機(jī)器人復(fù)雜任務(wù)的問(wèn)題,以機(jī)器人示范學(xué)習(xí)的理論為背景,提出了結(jié)合動(dòng)態(tài)運(yùn)動(dòng)基元(Dynamical Movement Primitive,DMP)和有限狀態(tài)機(jī)(Finite State Machine,FSM)把機(jī)器人的復(fù)雜操作任務(wù)分割成序列化的運(yùn)動(dòng)基元,即參數(shù)化的有向圖描述形式,以提高操作任務(wù)的適應(yīng)性與多樣性。(2)針對(duì)多模態(tài)融合的問(wèn)題,本文將此問(wèn)題抽象為如何有效地建立與解析多維時(shí)間序列的概率模型,以隱性馬爾科夫模型(Hidden Markov Model,HMM)為理論背景,考慮其在多維時(shí)間序列建模上存在著隱性狀態(tài)數(shù)量的不確定性和隱性狀態(tài)間高頻轉(zhuǎn)換的兩個(gè)關(guān)鍵問(wèn)題,會(huì)大幅度地消弱對(duì)時(shí)間序列的建模能力和時(shí)間的一致性(Consistency),提出了采用非參數(shù)化貝葉斯的粘性層級(jí)狄利克雷過(guò)程隱性馬爾科夫模型(Sticky Hierarchical Dirichlet Process Hidden Markov Model,sHDP-HMM)對(duì)機(jī)器人操作任務(wù)過(guò)程中的末端速度信息、末端力/力矩信息、末端執(zhí)行器的觸覺(jué)信息及其相關(guān)的統(tǒng)計(jì)學(xué)信息(如:均值和方差等)進(jìn)行聯(lián)合建模的方法。(3)在多模態(tài)融合的基礎(chǔ)上,提出了采用非參數(shù)化貝葉斯模型的機(jī)器人實(shí)時(shí)運(yùn)動(dòng)行為識(shí)別與異常監(jiān)測(cè)的方法。首先,借助機(jī)器人操作任務(wù)的參數(shù)化描述,利用sHDP-HMM對(duì)機(jī)器人正常執(zhí)行多次任務(wù)后各運(yùn)動(dòng)基元所產(chǎn)生的多模態(tài)數(shù)據(jù)進(jìn)行建模。然后,通過(guò)對(duì)比實(shí)時(shí)觀測(cè)數(shù)據(jù)的累積對(duì)數(shù)似然函數(shù)值的形式實(shí)現(xiàn)機(jī)器人運(yùn)動(dòng)行為的識(shí)別。最后,在運(yùn)動(dòng)行為已知的情況下,依次基于對(duì)數(shù)似然函數(shù)值、對(duì)數(shù)似然函數(shù)梯度值和隱性狀態(tài)與對(duì)數(shù)似然函數(shù)值映射關(guān)系的三種不同異常閾值實(shí)現(xiàn)機(jī)器人異常監(jiān)測(cè)。(4)在多模態(tài)異常監(jiān)測(cè)的基礎(chǔ)上,提出了基于非參數(shù)化貝葉斯模型的機(jī)器人多模態(tài)異常的多目標(biāo)分類器方法。具體表現(xiàn)為:在異常事件發(fā)生時(shí)刻的前后按給定窗口的大小提取異常的樣本,為各個(gè)異常類型學(xué)習(xí)sHDP-HMM模型,采用交叉驗(yàn)證的方法選擇最優(yōu)的模型;通過(guò)對(duì)比測(cè)試樣本在各模型下的對(duì)數(shù)似然函數(shù)值之和實(shí)現(xiàn)異常分類。(5)在機(jī)器人的異常監(jiān)測(cè)與分類的基礎(chǔ)上,學(xué)習(xí)人類對(duì)于瞬時(shí)性和持續(xù)性兩種異常事件的修復(fù)經(jīng)驗(yàn)和意圖,對(duì)應(yīng)地提出了兩種任務(wù)級(jí)的機(jī)器人異常修復(fù)策略:采用多項(xiàng)式分布對(duì)機(jī)器人瞬時(shí)性異常進(jìn)行運(yùn)動(dòng)重做的修復(fù)策略;采用人為示范修復(fù)并參數(shù)化運(yùn)動(dòng)描述的方式對(duì)機(jī)器人持續(xù)性異常進(jìn)行運(yùn)動(dòng)調(diào)整的修復(fù)策略。(6)綜合以上的研究?jī)?nèi)容與成果,為了賦予機(jī)器人更長(zhǎng)期的自治和更安全的人機(jī)共融環(huán)境,在傳統(tǒng)機(jī)器人控制框架Sense-Plan-Act(SPA)的基礎(chǔ)上增加了機(jī)器人感知(運(yùn)動(dòng)行為識(shí)別、異常監(jiān)測(cè)、異常分類)階段和異常修復(fù)階段,提出了一個(gè)機(jī)器人多模態(tài)感知與學(xué)習(xí)的系統(tǒng)框架SPAIR(Sense-Plan-Act-Introspect-Recover)。該框架主要包括四個(gè)功能模塊:1)機(jī)器人復(fù)雜任務(wù)的有向圖描述;2)機(jī)器人運(yùn)動(dòng)行為的泛化與識(shí)別;3)機(jī)器人執(zhí)行過(guò)程中的異常監(jiān)測(cè)與分類;4)機(jī)器人異常事件的修復(fù)策略學(xué)習(xí)。
【圖文】：

傳統(tǒng)工業(yè)機(jī)器人在標(biāo)準(zhǔn)化和自動(dòng)化生產(chǎn)中發(fā)揮了重大作用，但受其功能和智能化逡逑水平的限制，這種與人隔離、缺乏足夠的外界傳感信息的非智能化控制模式，難以滿足逡逑非結(jié)構(gòu)化動(dòng)態(tài)環(huán)境中多樣化、個(gè)性化、柔性非標(biāo)準(zhǔn)的復(fù)雜任務(wù)需求，如圖１－１所示。另逡逑夕卜，隨著協(xié)作型機(jī)器人的廣泛應(yīng)用與發(fā)展［１］，未來(lái)機(jī)器人必將逐漸地由傳統(tǒng)封閉的制造逡逑業(yè)環(huán)境向與人交互、共融的共享空間邁進(jìn)［２］，由半自動(dòng)的操作任務(wù)到更加自主地完成的逡逑執(zhí)行任務(wù)，從而不可避免地出現(xiàn)各類不可預(yù)測(cè)的異常情況，如物體滑落、工具與環(huán)境的逡逑碰撞、人類的碰撞和系統(tǒng)異常。因此，為了賦予機(jī)器人更長(zhǎng)期的自治和更安全的人機(jī)共逡逑融環(huán)境，機(jī)器人進(jìn)行實(shí)時(shí)多模態(tài)的融合建模，進(jìn)而實(shí)現(xiàn)自身運(yùn)動(dòng)行為的精準(zhǔn)感知（運(yùn)動(dòng)逡逑行為識(shí)別、異常監(jiān)測(cè)、異常分類）及異常修復(fù)是非常必要的。逡逑ｍｍｍ逡逑（ａ）物流倉(cāng)儲(chǔ)邐（ｂ）電子兀件裝配邐（ｃ）人機(jī)協(xié)同任務(wù)逡逑圖１－１機(jī)器人作用于非結(jié)構(gòu)化動(dòng)態(tài)環(huán)境中多樣化、個(gè)性化和柔性非標(biāo)準(zhǔn)的任務(wù)逡逑Ｆｉｇ．１－１邋Ｒｏｂｏｔｓ邋ａｒｅ邋ａｐｐｌｉｅｄ邋ｉｎ邋ｄｉｖｅｒｓｅ，邋ｉｎｄｉｖｉｄｕａｌｉｚｅｄ邋ａｎｄ邋ｆｌｅｘｉｂｌｅ邋ｎｏｎ－ｓｔａｎｄａｒｄ邋ｔａｓｋｓ邋ｉｎ逡逑ｕｎｓｔｒｕｃｔｕｒｅｄ邋ｄｙｎａｍｉｃ邋ｅｎｖｉｒｏｎｍｅｎｔｓ逡逑一般地，在結(jié)構(gòu)化的環(huán)境下機(jī)器人遵循ＳＰＡ的控制框架，首先是機(jī)器人觀測(cè)周圍逡逑的環(huán)境并建立內(nèi)部的模型

地提高自主操作性和安全性能。近年來(lái)，讓機(jī)器人像人類一樣具有增長(zhǎng)式學(xué)習(xí)內(nèi)在感逡逑知模型的能力受到了廣大機(jī)器人學(xué)者的青睞。機(jī)器人感知是評(píng)估多模態(tài)傳感數(shù)據(jù)潛在逡逑模式的過(guò)程［８－１Ｑ］，如圖１－２所示，，它的應(yīng)用在于賦予機(jī)器人三方面的能力：“做什么？邋”、逡逑“做得怎么樣？邋”和“怎么做？”。其中“做什么？邋”是解決機(jī)器人執(zhí)行任務(wù)過(guò)程中的逡逑連續(xù)狀態(tài)估計(jì)的問(wèn)題；“做得怎么樣？”是監(jiān)測(cè)機(jī)器人執(zhí)行任務(wù)過(guò)程中的執(zhí)行情況，如逡逑正常或者異常；“怎么做？邋”是包括了機(jī)器人執(zhí)行任務(wù)的規(guī)劃和對(duì)未來(lái)運(yùn)動(dòng)的決策。機(jī)逡逑器人感知的發(fā)展與應(yīng)用能有效地１）估計(jì)、監(jiān)測(cè)及防止異常的事件；２）評(píng)估機(jī)器人的逡逑內(nèi)部狀態(tài)；３）加強(qiáng)異常修復(fù)的能力；４）優(yōu)化控制和運(yùn)動(dòng)的決策。逡逑懰r>，r>逡逑ｊ－＊－１逡逑（ａ）機(jī)器人執(zhí)行電子元件裝配的過(guò)程逡逑（ｂ）機(jī)器人執(zhí)行電子元件裝配的過(guò)程中所產(chǎn)生的多模態(tài)傳感信號(hào)逡逑圖１－２實(shí)時(shí)評(píng)估機(jī)器人執(zhí)行電子元件裝配過(guò)程中多模態(tài)信息的潛在模式逡逑Ｆｉｇ．邋１－２邋Ａｓｓｅｓｓｉｎｇ邋ｔｈｅ邋ｕｎｄｅｒｌｙｉｎｇ邋ｄｙｎａｍｉｃｓ邋ｏｆ邋ｔｈｅ邋ｍｕｌｔｉｍｏｄａｌ邋ｓｉｇｎａｌｓ邋ｔｈａｔ邋ｇｅｎｅｒａｔｅｄ邋ｂｙ邋ａ逡逑ｒｏｂｏｔ邋ｐｅｒｆｏｒｍｉｎｇ邋ｔｈｅ邋ｅｌｅｃｔｒｏｎｉｃ邋ａｓｓｅｍｂｌｙ邋ａｔ邋ｒｅａｌ－ｔｉｍｅ．逡逑２逡逑
【學(xué)位授予單位】：廣東工業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP181;TP242

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 張媛媛;;一種基于非參數(shù)貝葉斯模型的聚類算法[J];寧波大學(xué)學(xué)報(bào)(理工版);2013年04期

相關(guān)碩士學(xué)位論文 前2條

1 鄒晶;基于FSM和SVM的石化設(shè)備管理及故障分類系統(tǒng)設(shè)計(jì)[D];武漢科技大學(xué);2018年

2 門玉森;基于軌跡匹配的模仿學(xué)習(xí)在類人機(jī)器人運(yùn)動(dòng)行為中的研究[D];北京工業(yè)大學(xué);2016年

本文編號(hào)：2645471