Аннотация:
Статистическое обучение траекториям роботизированных демонстраций на основе многофакторной сегментации и согласования нескольких показов (HSMM) ориентировано на решение комплексных задач человеко-машинного взаимодействия и интеллектуального производства. Основная цель исследования работы заключается в автоматическом выявлении обобщенной структуры ключевых участков из нескольких роботизированных демонстраций при отсутствии априорной разметки данных, а также в построении статистических и параметрических моделей для универсального воспроизведения траектории в разнообразных задачах и условиях. Для достижения этой цели сформулированы задачи исследования, включающие многопризнаковую сегментацию (скорость, кривизна, ускорение, изменение направления), выравнивание траекторий с помощью скрытой полумарковской модели и последующую реализацию статистических представлений (ProMP, GMM/GMR, DMP). Предлагаемая методика позволяет сначала осуществлять сглаживание исходных данных и выявление ключевых точек путем их топологического упрощения и подавления немаксимальных значений, а затем, используя HSMM, обеспечивать согласованное разбиение нескольких демонстраций на характерные сегменты. Проведенные эксперименты подтверждают, что полученные результаты позволяют достигать низкой ошибки восстановления при одновременном повышении степени сжатия данных и сохранении важных действий, что свидетельствует о высокой эффективности предлагаемого подхода. Наконец, анализируя новизну и практическую значимость работы, можно отметить возможность применения данного решения в промышленном контексте (сварка, окраска и т.д.), а также перспективы расширения метода на более динамичные и нестационарные сценарии, где требуется адаптивное и статистически обоснованное планирование траектории.
Ключевые слова:
обучение робота по демонстрациям, сегментация траектории, вероятностные примитивы движения, мультипризнаковый анализ, скрытая полумарковская модель (HSMM).
Полный текст:
PDF файл (1218 kB)