基于极限学习机的RTU技术在社会机器人示教学习中的应用研究
人工智能技术的发展,让机器人变得越来越接近人类,拥有学习、运动、执行、感知和认知等能力。示教学习是研究机器人学习能力的重要部分,是智能型仿人机器人的发展与应用关键,因此,学术界对此进行了大量研究。为了使机器人能准确地复制导师的示教动作,不断出现各种新的示教方法,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,美国戴沃尔提出的伺服技术控制关节,以及曹其新等人的激光深度传感器结合基于速度均值滤波法。
在系统控制策略方面,有高斯混合模型、强化学习和试错学习等算法被应用,但这些方法存在训练时间长和生成轨迹连续性差的问题。极限学习机(ELM)作为一种新型算法,它具有强大的泛化能力和快速训练速度。
为了提高机器人的自适应性与鲁棒性,本文选用教学研究型机器人NAO作为实验平台,采用扳动手臂关节进行示教,并构建以极限学习机为核心算法的示教系统。在实际操作中,将每个采样间隔采集到四个关节角值,对数据进行预处理后进行回归训练,以训练好的模型对手臂运动进行控制,使得重现动作更加精确。
法国AldebaranRobotics公司研制的小型仿人机器人NAO具有丰富传感系统、高效数字处理以及良好的二次开发优势,被广泛用于教学和科研。由于传感器测量时可能会有累积误差或噪声问题,因此使用离散时间卡尔曼滤波来融合数据,以提高姿态准确性。
HCS是一种统计优化算法,可以用于非线性动态系统中,而ELM则因其收敛特点、训练速度快及准确率高等特点,在上述约束条件下表现出色。本文通过将ELM与SEDS在相同样本数据下的比较实验,验证了ELM在实际应用中的效果。此外,还通过图4展示了人类导师示教过程及示教曲线,以及图5展示了从不同起始点避障并重现动作的轨迹图。
总结来说,本文利用ELM算法对机械臂末端执行者的空间位置数据进行处理,从而实现了快速且精确地完成避障取物任务,同时也理论上给出了该系统在目标点达到局部稳定的约束条件,为未来仿真更复杂行动奠定基础。