极限学习机在工控RTU技术中的应用研究提升社会机器人示教效率
导语:机器人的智能化已逐渐接近人类,成为具有学习能力、运动能力、执行能力、感知能力和认知能力的新型智能机器人。示教学习是研究机器人学习的重要分支之一,是智能仿人机器人的发展与应用关键。因此,对于示教学习的研究一直是学术界关注的焦点。
近年来,为实现机器人准确、高效地模拟导师对其进行示教动作,出现了多种示教方法,如日本Kondo公司生产的KHR系列机器人采用直接输入关节角度方式;美国戴沃尔提出利用伺服技术控制关节并记录数据;曹其新等人则利用激光深度传感器输入三维坐标并采用基于速度有选择均值滤波法处理控制数据,这些方法在提高精确性和重现速度方面做出了重要贡献,但仍需提升传感器数据稳定性。
在系统控制策略上,如高斯混合模型、强化学习和试错学习等算法被广泛应用,但它们各自存在缺点,如训练时间长或生成轨迹连续性不佳。极限学习机ELM是一种针对这些问题设计的新型算法,它具有良好的泛化性能和快速训练速度。本文选用教学研究型NAO作为实验平台,构建以ELM为核心算法的机器人示教系统,并通过实验验证该算法能使系统具备一定泛化能力。
实验平台简介:
法国AldebaranRobotics公司研制的小型仿人机器人NAO高度58厘米,全身25个自由度,有丰富传感系统及操作系统NAOqi,被广泛用于教学科研领域。
示教学习算法:
由于传感器测量时存在累积误差及噪声,本文使用离散时间卡尔曼滤波KF来对NAO手臂关节上的传感器输出进行融合,以提高手臂姿态准确性。
实验HCS是由Y.Ouand Y.Xu提出的用于非线性动态系统中参数估计的一种统计学优化算法。本文首先将ELM与SEDS在相同样本数据下进行比较,以数据库中的Cshape、Spoon等数据为例,对比图如图3所示。在实际环境中,由操作者扳动机械臂末端执行机构,使其完成要求避障取物动作,同时记录每100ms采集到的值,当需要重现时,将存储信息送至驱动机构实现准确快速行动。
结论:
本文结合ELM训练速度快特点,对机器人进行模拟人类行为,弥补了过去仿真难题。实践效果表明,该方法抗干扰力强且表现出很好的泛化性能,同时避免维度灾难,为未来复杂行为模拟奠定基础。此外,该非线性动态描述给予理论支持,为今后更复杂行为模拟提供可能性。