隨著機器人行業(yè)創(chuàng)造的巨大經(jīng)濟價值,各國的戰(zhàn)略發(fā)展目標中都有機器人領(lǐng)域的一席之地。機器人技術(shù)的飛速發(fā)展,特別是在人工智能領(lǐng)域的不斷突破,帶動大量產(chǎn)業(yè)轉(zhuǎn)型升級,走向智能化方向。工業(yè)機械臂運動軌跡研究是實現(xiàn)自動化工業(yè)生產(chǎn)線轉(zhuǎn)型升級成為智能工廠的基礎(chǔ)。當前機器人運動規(guī)劃存在著學習能力不強、泛化能力不足、調(diào)整運動軌跡靈活性不夠等問題。基于此,本文提出了一種新穎的模仿學習方法:基于改進動態(tài)運動基元(iDMPs)-曲線高斯回歸算法(AcaGMR)的機械臂軌跡規(guī)劃研究。該方法主要包括兩部分:模型優(yōu)化和算法優(yōu)化。模型優(yōu)化:針對DMPs的不足,改變其相變量與時間非線性關(guān)系,解決其在表征學習的特征抽取環(huán)節(jié)會提取到錯誤信息問題的同時對局部加權(quán)算法進行優(yōu)化,提出了改進動態(tài)運動基元模型(iDMPs);算法優(yōu)化:在改進動態(tài)運動基元模型(iDMPs)基礎(chǔ)上,采用曲線高斯回歸算法代替原來局部加權(quán)回歸算法。實驗驗證該方法擁有更好的模仿學習效果。本文的主要研究工作如下:首先,對回歸思想進行一定的歸納總結(jié),詳細介紹了機器學習中的基函數(shù)和核函數(shù),并推導得到基礎(chǔ)回歸表達式。接著分別闡述了局部加權(quán)算法、高斯混合算法、曲線高斯算法,...

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【部分圖文】：

圖1-1服務機器人

大賽中大敗職業(yè)選手等等。隨著機器人技術(shù)的不斷發(fā)展，眾多相關(guān)產(chǎn)業(yè)逐漸轉(zhuǎn)型升級走向智能方向，機器人在國家經(jīng)濟發(fā)展中占有比重的不斷增大，令其成為世界各國爭相發(fā)展的主要目標。機器人已經(jīng)在世界經(jīng)濟的眾多行業(yè)展現(xiàn)出它的影響力[4]，如圖1-1服務機器人，如圖1-2工業(yè)機器人等。

圖1-2工業(yè)機器人

大賽中大敗職業(yè)選手等等。隨著機器人技術(shù)的不斷發(fā)展，眾多相關(guān)產(chǎn)業(yè)逐漸轉(zhuǎn)型升級走向智能方向，機器人在國家經(jīng)濟發(fā)展中占有比重的不斷增大，令其成為世界各國爭相發(fā)展的主要目標。機器人已經(jīng)在世界經(jīng)濟的眾多行業(yè)展現(xiàn)出它的影響力[4]，如圖1-1服務機器人，如圖1-2工業(yè)機器人等。

圖1-3反恐防爆機器人如圖1-4四足機器人如圖1-4，其可以靈活運動，期望可以在災害現(xiàn)場完成搜救任務；德國比勒菲爾

機器人技術(shù)已經(jīng)關(guān)系到了每個國家的經(jīng)濟現(xiàn)狀，多年對機器人技術(shù)研究的投入也取得了顯著的效果[13]，如美國已經(jīng)研制的反恐防爆機器人，如圖1-3，其可以避免警員在危險區(qū)域觸碰爆炸裝置；日本電氣通信大學研制的四足機器人，

圖1-5強化學習模型

動作a圖1-5強化學習模型的基礎(chǔ)就是智能體與環(huán)境之間的信息交換，在信息交換過循環(huán)以下過程：

本文編號：3936876