【摘要】：機器人與人共處、相互協(xié)作成為現(xiàn)代生產(chǎn)和生活中的迫切訴求,“人機共融”和“人機協(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,已成為國內(nèi)外學(xué)術(shù)界的共識。人機共融的前提條件是人-機和平共處,即“安全共融”。雖然目前已有許多穩(wěn)定和魯棒的機器人控制算法,但是人機共融作業(yè)處于非結(jié)構(gòu)化和非標準化的動態(tài)環(huán)境中,無法對其進行完備和準確地建模與解析,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。為了賦予機器人更長期的自治和更安全的人機共融環(huán)境,機器人必須進行實時多模態(tài)信息的融合建模,進而實現(xiàn)自身運動行為的精準感知(Introspection)和異常修復(fù)策略的學(xué)習(xí)。因此,本文對機器人多模態(tài)感知與學(xué)習(xí)進行系統(tǒng)深入的理論研究和實踐探索,主要研究內(nèi)容和取得的成果如下:(1)針對學(xué)習(xí)與泛化機器人復(fù)雜任務(wù)的問題,以機器人示范學(xué)習(xí)的理論為背景,提出了結(jié)合動態(tài)運動基元(Dynamical Movement Primitive,DMP)和有限狀態(tài)機(Finite State Machine,FSM)把機器人的復(fù)雜操作任務(wù)分割成序列化的運動基元,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)針對多模態(tài)融合的問題,本文將此問題抽象為如何有效地建立與解析多維時間序列的概率模型,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)換的兩個關(guān)鍵問題,會大幅度地消弱對時間序列的建模能力和時間的一致性(Consistency),提出了采用非參數(shù)化貝葉斯的粘性層級狄利克雷過程隱性馬爾科夫模型(Sticky Hierarchical Dirichlet Process Hidden Markov Model,sHDP-HMM)對機器人操作任務(wù)過程中的末端速度信息、末端力/力矩信息、末端執(zhí)行器的觸覺信息及其相關(guān)的統(tǒng)計學(xué)信息(如:均值和方差等)進行聯(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)化貝葉斯模型的機器人實時運動行為識別與異常監(jiān)測的方法。首先,借助機器人操作任務(wù)的參數(shù)化描述,利用sHDP-HMM對機器人正常執(zhí)行多次任務(wù)后各運動基元所產(chǎn)生的多模態(tài)數(shù)據(jù)進行建模。然后,通過對比實時觀測數(shù)據(jù)的累積對數(shù)似然函數(shù)值的形式實現(xiàn)機器人運動行為的識別。最后,在運動行為已知的情況下,依次基于對數(shù)似然函數(shù)值、對數(shù)似然函數(shù)梯度值和隱性狀態(tài)與對數(shù)似然函數(shù)值映射關(guān)系的三種不同異常閾值實現(xiàn)機器人異常監(jiān)測。(4)在多模態(tài)異常監(jiān)測的基礎(chǔ)上,提出了基于非參數(shù)化貝葉斯模型的機器人多模態(tài)異常的多目標分類器方法。具體表現(xiàn)為:在異常事件發(fā)生時刻的前后按給定窗口的大小提取異常的樣本,為各個異常類型學(xué)習(xí)sHDP-HMM模型,采用交叉驗證的方法選擇最優(yōu)的模型;通過對比測試樣本在各模型下的對數(shù)似然函數(shù)值之和實現(xiàn)異常分類。(5)在機器人的異常監(jiān)測與分類的基礎(chǔ)上,學(xué)習(xí)人類對于瞬時性和持續(xù)性兩種異常事件的修復(fù)經(jīng)驗和意圖,對應(yīng)地提出了兩種任務(wù)級的機器人異常修復(fù)策略:采用多項式分布對機器人瞬時性異常進行運動重做的修復(fù)策略;采用人為示范修復(fù)并參數(shù)化運動描述的方式對機器人持續(xù)性異常進行運動調(diào)整的修復(fù)策略。(6)綜合以上的研究內(nèi)容與成果,為了賦予機器人更長期的自治和更安全的人機共融環(huán)境,在傳統(tǒng)機器人控制框架Sense-Plan-Act(SPA)的基礎(chǔ)上增加了機器人感知(運動行為識別、異常監(jiān)測、異常分類)階段和異常修復(fù)階段,提出了一個機器人多模態(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功能模塊:1)機器人復(fù)雜任務(wù)的有向圖描述;2)機器人運動行為的泛化與識別;3)機器人執(zhí)行過程中的異常監(jiān)測與分類;4)機器人異常事件的修復(fù)策略學(xué)習(xí)。
【圖文】：

傳統(tǒng)工業(yè)機器人在標準化和自動化生產(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)化動態(tài)環(huán)境中多樣化、個性化、柔性非標準的復(fù)雜任務(wù)需求，如圖１－１所示。另逡逑夕卜，隨著協(xié)作型機器人的廣泛應(yīng)用與發(fā)展［１］，未來機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［２］，由半自動的操作任務(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，為了賦予機器人更長期的自治和更安全的人機共逡逑融環(huán)境，機器人進行實時多模態(tài)的融合建模，進而實現(xiàn)自身運動行為的精準感知（運動逡逑行為識別、異常監(jiān)測、異常分類）及異常修復(fù)是非常必要的。逡逑ｍｍｍ逡逑（ａ）物流倉儲邐（ｂ）電子兀件裝配邐（ｃ）人機協(xié)同任務(wù)逡逑圖１－１機器人作用于非結(jié)構(gòu)化動態(tài)環(huán)境中多樣化、個性化和柔性非標準的任務(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)境下機器人遵循ＳＰＡ的控制框架，首先是機器人觀測周圍逡逑的環(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，讓機器人像人類一樣具有增長式學(xué)習(xí)內(nèi)在感逡逑知模型的能力受到了廣大機器人學(xué)者的青睞。機器人感知是評估多模態(tài)傳感數(shù)據(jù)潛在逡逑模式的過程［８－１Ｑ］，如圖１－２所示，，它的應(yīng)用在于賦予機器人三方面的能力：“做什么？邋”、逡逑“做得怎么樣？邋”和“怎么做？”。其中“做什么？邋”是解決機器人執(zhí)行任務(wù)過程中的逡逑連續(xù)狀態(tài)估計的問題；“做得怎么樣？”是監(jiān)測機器人執(zhí)行任務(wù)過程中的執(zhí)行情況，如逡逑正�；蛘弋惓＃弧霸趺醋�？邋”是包括了機器人執(zhí)行任務(wù)的規(guī)劃和對未來運動的決策。機逡逑器人感知的發(fā)展與應(yīng)用能有效地１）估計、監(jiān)測及防止異常的事件；２）評估機器人的逡逑內(nèi)部狀態(tài)；３）加強異常修復(fù)的能力；４）優(yōu)化控制和運動的決策。逡逑懰r>，r>逡逑ｊ－＊－１逡逑（ａ）機器人執(zhí)行電子元件裝配的過程逡逑（ｂ）機器人執(zhí)行電子元件裝配的過程中所產(chǎn)生的多模態(tài)傳感信號逡逑圖１－２實時評估機器人執(zhí)行電子元件裝配過程中多模態(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)位級別】：博士
【學(xué)位授予年份】：2019
【分類號】：TP181;TP242

【參考文獻】

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(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[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)在類人機器人運動行為中的研究[D];北京工業(yè)大學(xué);2016年

本文編號：2645471