隨著社會進步和科技發(fā)展,機器人在醫(yī)療、教育、服務等諸多領域發(fā)揮著越來越重要的作用,也為機器人技術的研究帶來了巨大的挑戰(zhàn)和機遇。到今天人工智能技術的飛速發(fā)展,機器人已經具備感知、決策、記憶等能力,越來越接近人們想象中的機器“人”的概念。而機器人軌跡規(guī)劃是機器人邁向智能化的基礎。軌跡規(guī)劃目的是為給定的起始和目標配置計算無碰撞路徑。一個快速準確的軌跡規(guī)劃算法對機器人系統(tǒng)是至關重要的。同時為使機器人更好的融入人類生活,要求機器人運動軌跡更加自然,更符合人類的運動習慣。而從演示中學習是實現(xiàn)這一目的有效選擇。演示學習可以有效地借助人類的運動特點,實現(xiàn)人類經驗向機器人的遷移,使機器人更加自主,運動更加擬人化。本文提出了一種基于行為示范的機械臂軌跡規(guī)劃算法,并將人類運動示范遷移至機器人�；谔摂M現(xiàn)實(VR)技術搭建虛擬環(huán)境,收集人類手部的運動軌跡。使用人類示范的軌跡數(shù)據(jù),訓練長短時記憶(LSTM)遞歸神經網絡,端到端生成軌跡序列。同時將人類手部位姿映射至機械臂末端,借助逆向運動學和關節(jié)插值,將人手運動軌跡遷移至機械臂,完成機械臂軌跡規(guī)劃。除此以外,基于演示數(shù)據(jù)集,本文設計并實現(xiàn)了人機實時交互抓取系統(tǒng),...

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景
    1.2 國內外研究現(xiàn)狀
    1.3 本文主要工作
    1.4 論文組織結構
第2章 相關理論研究
    2.1 機器人
        2.1.1 機器人介紹
        2.1.2 機器人基礎知識
    2.2 機器人軌跡規(guī)劃
    2.3 神經網絡
        2.3.1 前饋神經網絡
        2.3.2 激活函數(shù)
        2.3.3 優(yōu)化算法
    2.4 遞歸神經網絡(Recurrent Neural Networks)
        2.4.1 RNN介紹
        2.4.2 LSTM(The Long Short-Term Memory Neural Network)
    2.5 本章小結
第3章 數(shù)據(jù)采集
    3.1 數(shù)據(jù)集介紹
    3.2 場景搭建
    3.3 數(shù)據(jù)采集與處理
    3.4 本章小結
第4章 基于示范行為的機械臂軌跡規(guī)劃算法
    4.1 問題定義
    4.2 網絡設計
    4.3 機器人軌跡規(guī)劃
    4.4 模型訓練
    4.5 網絡結構對比
    4.6 仿真實驗
        4.6.1 Simox仿真平臺介紹
        4.6.2 仿真實驗
        4.6.3 對比實驗
    4.7 本章小結
第5章 交互式動態(tài)抓取系統(tǒng)
    5.1 系統(tǒng)搭建
        5.1.1 系統(tǒng)平臺介紹
        5.1.2 視覺伺服搭建
    5.2 抓取規(guī)劃
        5.2.1 抓取候選位姿
        5.2.2 物體識別與姿態(tài)估計
    5.3 操作流程
    5.4 本章小結
第6章 結論與展望
    6.1 本文的主要工作
    6.2 工作展望
參考文獻
致謝
攻讀學位期間發(fā)表論文及研究成果
學位論文評閱及答辯情況表



本文編號：3749593