基于改进的高斯混合模型和高斯混合回归实现的机器人示教学习

《ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING》：Robotic learning from demonstration enabled by improved gaussian mixture model and gaussian mixture regression

　　

• •
  提出改进的GMM/GMR方法以优化LfD轨迹。
• •
  采用三维高斯噪声散射策略来丰富演示数据。
• •
  设计混合优化准则来调整GMM/GMR参数。
• •
  引入B样条模型以增强轨迹的泛化能力。

章节摘要

引言与相关工作

人机协作（HRC）是一种通过将人类的灵巧操作与机器人自动化相结合来应对复杂工业场景的有前景的范式[1,2]。有效HRC的一个关键使能因素是机器人具备直觉式学习能力，这通常通过从演示中学习（LfD）来实现[3]。基于LfD，机器人可以通过模仿人类演示的动作来获取新技能，并创建新的回归方案（定制化方案）以高效应对变化的

GMM/GMR

如图2所示，展示了GMM/GMR的流程。演示轨迹可以被离散化为一系列构造数据点，这些点被分组形成若干高斯簇（如图2(a)所示）。第i个高斯簇由位置均值${\mu }_i$和协方差矩阵${\sigma }_i$组成。对于三维数据点，${\mu }_i$是一个$1\times 3$的向量，${\sigma }_i$是一个$3\times 3$的矩阵。每个高斯簇的形状由${\sigma }_i$决定，其可以进一步分解为

高斯噪声策略与参数优化

在GMM/GMR建模过程中，通常需要将多条演示轨迹作为输入以增强回归轨迹的鲁棒性。如前所述，创建多条演示会增加人类操作员的演示难度。此外，演示通常包含人为产生的抖动和不平滑的转弯区域，这些都会损害回归轨迹的质量。在本研究中，采用高斯噪声散射

案例研究与讨论

本研究提出的方法在基于退役锂离子电池回收技术的大学级示范实验室中得到验证。该实验室由电池拆解单元和电池电芯存储单元组成。拆解单元设有机器人工作站，用于执行拧螺丝和电池组件移除操作。电池电芯存储单元设有机器人工作站、两台AGV和两个存储站，用于执行电芯分拣、转运和存储

结论

本研究通过设计高斯噪声散射策略、基于新的KBD评价准则的PSO算法以及B样条曲线集成，提出了一种改进的GMM/GMR方法，以增强LfD过程。主要贡献总结如下：

• 1)
  高斯噪声散射策略可以增广演示的构造数据点，从而减少所需的演示次数。因此，演示创建过程和GMM/GMR建模过程都得以改善；
• 2)
  的

CRediT作者贡献声明

李卫东：概念构思、调查研究、方法论、项目管理、资金获取、写作–审阅与编辑。钱程：概念构思、调查研究、方法论、写作–初稿撰写。罗伟：验证、形式化分析。朱宇：形式化分析、验证、方法论、写作–审阅与编辑。蒋晨：方法论、形式化分析。王立辉：方法论、形式化分析、验证。胡金州：写作–审阅与编辑。

李卫东|钱程|罗伟|朱宇|蒋晨|王立辉|胡金州