中国科学院自动化所程龙团队 | 动态系统辅助机器人学习周期性操作技能
文摘
科技
2024-12-02 12:00
北京
![]()
![]()
研究团队
程龙，张浩雨，张煜，王一帆：中国科学院大学、中科院自动化所
文章下载
Haoyu Zhang, Long Cheng, Yu Zhang & Yifan Wang. Neural Liénard system: learning periodic manipulation skills through dynamical systems. Sci China Inf Sci, 2024, 67(12): 222207, doi: 10.1007/s11432-023-4219-8
![]()
示教学习提供了一种简单、高效的机器人操纵技能建模范式。但是现有研究主要针对目标位置为导向的操纵技能，例如抓取、放置等，而忽略了大量存在的周期性动作，例如打磨和抛光等。同时，由于机器人在执行过程中容易受到干扰，因此需要示教学习构建的方法具有鲁棒性，在噪声、外力干扰的情况下顺利完成周期性任务。为了解决上述问题，本文提出了一种利用稳定的周期动态系统进行示教学习的方法。首先，利用神经网络构建可学习的周期动态系统，并在理论层面保证其轨道稳定性。然后，通过微分同胚变换对稳定轨道进行变换，在保证系统轨道稳定性的同时对多条周期性示教轨迹进行拟合；最后，通过升降维的方法，建模示教轨迹中可能存在的交叉点问题，从而学习周期性操纵技能。![]()
(1) 基于Lienard定理，设计了基于神经网络的稳定动态系统，使其能够在外力干扰情况下使系统状态收敛到稳定轨道中。(2) 通过微分同胚变换对稳定轨道进行变换，使其拟合示教轨迹。(3) 通过升降维的方法，使得能够使用动态系统建模示教轨迹中可能存在的交叉点，从而建模更加复杂的周期性操纵技能。本文所提出的方法首先在自制的周期性操纵技能数据集上进行了验证，实验结果表明相较于现有方法，对周期性示教轨迹的建模精度提升较大。![]()
接下来，通过在动态系统的状态中增加噪声扰动，展示了方法良好的稳定性。并且通过六维机械臂完成周期性动作的关节角度数据，展示了该方法在高维、收到噪声干扰的情况下的鲁棒性。最后利用所提出的方法建模周期轨迹，并让机器人动态跟踪动态系统给出的参考轨迹，验证了方法的有效性和鲁棒性。![]()
![]()
![]()
![]()
![]()
