王皞燚，王曉華，王文杰

(西安工程大學(xué) 電子信息學(xué)院，陜西 西安 710048)

0 引 言

隨著機(jī)器人技術(shù)的發(fā)展，人們期望機(jī)器人具有更高級(jí)的技能[1]。協(xié)作機(jī)器人可以與工人良好合作，或者機(jī)器人真正替代人類完成工作任務(wù)[2-3]。

在學(xué)習(xí)人類技能的過(guò)程中，機(jī)器人需要依賴傳感器獲取作業(yè)環(huán)境以及作業(yè)工序中的操作信息[4-6]。在機(jī)器人技術(shù)發(fā)展的最初階段，機(jī)器人通常僅依靠安裝于末端的力傳感器感受操作信息[7]，并采用一定的學(xué)習(xí)機(jī)制自適應(yīng)地完成作業(yè)任務(wù)[8]。YIN等應(yīng)用機(jī)械手上力傳感器測(cè)量實(shí)際力的大小，并根據(jù)與模糊邏輯定義的織物期望張力之間的誤差調(diào)整控制器參數(shù)，使得機(jī)械手能夠完成類似場(chǎng)景的縫紉作業(yè)[9]。KOUSTOUMPARDIS等設(shè)計(jì)了基于神經(jīng)網(wǎng)絡(luò)的力控制器，機(jī)器人在縫紉過(guò)程中對(duì)織物施加期望的張力并完成運(yùn)動(dòng)動(dòng)作。該縫紉機(jī)器人能夠?qū)崿F(xiàn)對(duì)不同織物的縫制[10]。YOUSEFIZADEH等運(yùn)用力傳感器將工人縫紉操作時(shí)手部產(chǎn)生的力傳遞到機(jī)器人末端執(zhí)行器，并設(shè)計(jì)力阻抗控制器，實(shí)現(xiàn)人與機(jī)器人的協(xié)同縫紉控制[11]。隨著傳感器技術(shù)的發(fā)展，YOSHIMI等使用激光傳感器檢測(cè)縫紉部件邊緣線，生成期望的縫紉軌跡，機(jī)械臂通過(guò)軌跡跟蹤實(shí)現(xiàn)縫紉[12]。機(jī)器視覺(jué)技術(shù)的發(fā)展，給機(jī)器人縫紉技能學(xué)習(xí)帶來(lái)了便利[13]：ZACHARIA等基于視覺(jué)伺服技術(shù)，將視覺(jué)反饋和神經(jīng)網(wǎng)絡(luò)與模糊邏輯相結(jié)合，使用自適應(yīng)神經(jīng)模糊推理系統(tǒng)進(jìn)行調(diào)優(yōu)，獲得更好的估計(jì)[14]。綜合神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和遺傳算法的優(yōu)化能力，可應(yīng)對(duì)縫紉過(guò)程中的不確定性、主觀性、模糊性[15-16]。HUANG等采用立體視覺(jué)系統(tǒng)，對(duì)比理想針位置和實(shí)時(shí)針的三維點(diǎn)模型，使針驅(qū)動(dòng)器自適應(yīng)針姿態(tài)的變化，機(jī)器人自適應(yīng)地跟蹤針的姿態(tài)并實(shí)時(shí)調(diào)整學(xué)習(xí)的縫紉動(dòng)作[17]。以上機(jī)器人技能學(xué)習(xí)方法，依靠神經(jīng)網(wǎng)絡(luò)系統(tǒng)控制參數(shù)并存儲(chǔ)縫紉先驗(yàn)知識(shí)，使機(jī)器人獲得作業(yè)技能。但是，這類方法存在著在線修正權(quán)值計(jì)算量大、權(quán)值過(guò)度修正，導(dǎo)致系統(tǒng)出現(xiàn)劇烈振蕩以及抗環(huán)境擾動(dòng)滯后等問(wèn)題[18]。因此，人工智能與深度學(xué)習(xí)方法逐漸被應(yīng)用于機(jī)器人技能學(xué)習(xí)領(lǐng)域[19]。徐文霞等運(yùn)用深度相機(jī)采集用戶的姿態(tài)信息，通過(guò)Kalman濾波方法預(yù)測(cè)用戶狀態(tài)，通過(guò)更新Kalman增益參數(shù)，機(jī)器人獲得預(yù)測(cè)用戶姿態(tài)的學(xué)習(xí)能力[20]。穆欣偉等采用雙目視覺(jué)技術(shù)及深度學(xué)習(xí)目標(biāo)檢測(cè)算法對(duì)操作者手部進(jìn)行識(shí)別與定位，建立操作者手部與機(jī)器人末端之間距離以及電機(jī)速度控制間的映射關(guān)系，使得機(jī)器人可根據(jù)距離自主執(zhí)行減速、急停等操作的學(xué)習(xí)能力[21]。

機(jī)器人應(yīng)用視覺(jué)傳感器觀察人類縫紉動(dòng)作，生成示教運(yùn)動(dòng)軌跡的精度以及動(dòng)作或技能特征參數(shù)的準(zhǔn)確度，是機(jī)器人技能學(xué)習(xí)的首要條件[22]。機(jī)器人在動(dòng)力性和可重復(fù)性等方面比人類有很大的優(yōu)勢(shì)[23]，機(jī)器人學(xué)習(xí)并跟隨工人的縫紉動(dòng)作，在提升縫紉機(jī)器人自動(dòng)化程度和節(jié)約人力資源方面具有較大的應(yīng)用價(jià)值。本文使用GMM對(duì)深度神經(jīng)網(wǎng)絡(luò)獲得的動(dòng)作軌跡以及時(shí)間因素進(jìn)行編碼，獲得運(yùn)動(dòng)基元，運(yùn)用GMR計(jì)算每段運(yùn)動(dòng)基元的均值函數(shù)和方差函數(shù)，將得到的高斯回歸函數(shù)混合加權(quán)，預(yù)測(cè)軌跡回歸。通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了本文方法的平穩(wěn)性和有效性。

1 縫紉動(dòng)作識(shí)別方法

人工縫紉動(dòng)作中的運(yùn)動(dòng)信息由關(guān)節(jié)運(yùn)動(dòng)軌跡體現(xiàn)。如何準(zhǔn)確定位工人縫紉動(dòng)作視頻序列中的肩、肘、腕關(guān)節(jié)，并獲取關(guān)節(jié)的運(yùn)動(dòng)軌跡，是機(jī)器人學(xué)習(xí)縫紉動(dòng)作的關(guān)鍵。在布料翻轉(zhuǎn)等動(dòng)作中，由于工人動(dòng)作習(xí)慣問(wèn)題，常出現(xiàn)部分上肢或者手部被布料遮擋的情況，關(guān)節(jié)定位失敗。本文改進(jìn)了OPENPOSE姿態(tài)估計(jì)模型，運(yùn)用標(biāo)簽融合方法更正關(guān)節(jié)點(diǎn)標(biāo)簽，獲得縫紉動(dòng)作中工人的完整關(guān)節(jié)信息。

1.1 基于OPENPOSE的關(guān)節(jié)定位

OPENPOSE模型采用了VGG-16深度學(xué)習(xí)網(wǎng)絡(luò)以及雙通道CNN殘差網(wǎng)絡(luò)結(jié)構(gòu)，如圖1所示。VGG-16的前10層網(wǎng)絡(luò)獲得了動(dòng)作圖像的原始特征圖F(feature maps)，其后連接了多個(gè)稱為階段(stage)的子網(wǎng)絡(luò)，每個(gè)階段的Convolution部分是3個(gè)3×3卷積核所組成的殘差網(wǎng)絡(luò)結(jié)構(gòu)。在提取深層特征信息和空間紋理信息的同時(shí)，也會(huì)保留部分淺層信息；其中Max Pooling使用1×1卷積核，使得網(wǎng)絡(luò)變得更深以提取更高層特征。實(shí)驗(yàn)證明，6個(gè)階段能在避免過(guò)擬合的前提下使模型達(dá)到最快收斂。每個(gè)階段的輸出和特征圖F一起送到下一個(gè)階段進(jìn)行運(yùn)算，經(jīng)6個(gè)階段之后輸出關(guān)節(jié)定位結(jié)果。

圖 1 姿態(tài)特征提取過(guò)程Fig.1 Pose feature extraction process

OPENPOSE模型結(jié)構(gòu)卷積核數(shù)目如表1所示。表1中，C1～C5代表單個(gè)通道CNN中各卷積層的卷積核數(shù)目，F(xiàn)代表直接輸出的特征圖部分，Ⅰ～Ⅵ代表雙通道CNN結(jié)構(gòu)的6個(gè)階段。

表 1 OPENPOSE模型結(jié)構(gòu)卷積核數(shù)目

OPENPOSE模型的2支CNN通道分別預(yù)測(cè)關(guān)節(jié)和肢體的位置。通道1預(yù)測(cè)關(guān)節(jié)點(diǎn)的位置，該位置用置信度的大小表示。置信度值為像素距離關(guān)節(jié)點(diǎn)的高斯響應(yīng)，距離關(guān)節(jié)點(diǎn)越近的像素，響應(yīng)值越大。運(yùn)用非極大值抑制(non-maximum suppression，NMS)算法得到所有高斯響應(yīng)中的峰值作為該階段網(wǎng)絡(luò)輸出，記為S1；通道2預(yù)測(cè)關(guān)節(jié)點(diǎn)的親和域。親和域表示肢體位置和肢體上像素的方向，記為L(zhǎng)1。若像素點(diǎn)在肢體外，則L1=0; 若像素點(diǎn)在肢體上，xj1、xj2等2點(diǎn)之間的L1=(xj2-xj1)/‖xj2-xj1‖2。

(1)

(2)

1.2 OPENPOSE的改進(jìn)

(3)

標(biāo)簽更正后的損失函數(shù)為

(4)

為驗(yàn)證改進(jìn)模型的有效性，進(jìn)行人體動(dòng)作識(shí)別對(duì)比實(shí)驗(yàn)。采用COCO人體骨骼框架數(shù)據(jù)集進(jìn)行模型訓(xùn)練，使用平均精度均值PMA作為精度評(píng)價(jià)指標(biāo)，表示所有關(guān)節(jié)點(diǎn)的平均定位精度；使用每秒測(cè)試的圖片幀數(shù)F*作為時(shí)間評(píng)價(jià)指標(biāo)。幾種模型對(duì)比結(jié)果見(jiàn)表2。

表 2 不同模型在COCO人體數(shù)據(jù)集上的結(jié)果對(duì)比

由表2可見(jiàn)：本文方法相對(duì)于DeeperCut，在精度上提高了17.3%，F(xiàn)*值提高了3 幀·s-1；與Mask R-CNN相比，在精度上提高了4.9%，F(xiàn)*值提高了0.9 幀·s-1；相較于OPENPOSE，在精度上提高了4.6%，F(xiàn)*值提高了0.5 幀·s-1。圖2為改進(jìn)前后的人體上肢關(guān)節(jié)識(shí)別結(jié)果。

(a) 改進(jìn)前 (b) 改進(jìn)后圖 2 改進(jìn)前后的模型識(shí)別效果對(duì)比Fig.2 Comparison of the recognition effect of before andimproved models

圖2可以看出：改進(jìn)后的模型能夠更正關(guān)節(jié)點(diǎn)標(biāo)簽，重新定位右手腕關(guān)節(jié)，并建立與右手肘關(guān)節(jié)的肢體連接，成功識(shí)別人體右側(cè)手臂。

2 機(jī)器人縫紉動(dòng)作學(xué)習(xí)方法

基于GMM-GMR的機(jī)器人縫紉動(dòng)作學(xué)習(xí)過(guò)程如圖3所示。經(jīng)OPENPOSE模型識(shí)別后，以獲得的工人縫紉動(dòng)作中上肢關(guān)節(jié)的坐標(biāo)值作為訓(xùn)練樣本，對(duì)訓(xùn)練樣本進(jìn)行節(jié)點(diǎn)聚類。采用GMM對(duì)時(shí)間因子和聚類節(jié)點(diǎn)進(jìn)行混合編碼，運(yùn)用期望最大化算法求得聚類模型參數(shù)，使其基于歷史數(shù)據(jù)模型概率達(dá)到最大化，得到代表高斯分量的聚簇，每一個(gè)聚簇代表一個(gè)關(guān)節(jié)。運(yùn)用GMR對(duì)關(guān)節(jié)訓(xùn)練得到動(dòng)作預(yù)測(cè)，根據(jù)預(yù)測(cè)誤差不斷更新模型的條件期望值和方差，期望值和方差即成為動(dòng)作學(xué)習(xí)的參數(shù)。

圖 3 縫紉動(dòng)作學(xué)習(xí)過(guò)程Fig.3 Sewing action learning process

2.1 GMM縫紉動(dòng)作軌跡混合編碼

為使機(jī)器人同時(shí)學(xué)習(xí)到關(guān)節(jié)運(yùn)動(dòng)信息和對(duì)應(yīng)的時(shí)間信息，采用GMM對(duì)獲取的縫紉動(dòng)作軌跡進(jìn)行混合編碼。工人上肢縫紉動(dòng)作包含肩、肘、腕等3個(gè)關(guān)節(jié)的運(yùn)動(dòng)軌跡信息。使用相同時(shí)間段t(t=1 000 ms)將每個(gè)關(guān)節(jié)的運(yùn)動(dòng)軌跡分割成數(shù)段運(yùn)動(dòng)基元，每段運(yùn)動(dòng)基元均表示一個(gè)關(guān)節(jié)縫紉運(yùn)動(dòng)的子過(guò)程。建立GMM模型Ω對(duì)每一段運(yùn)動(dòng)基元進(jìn)行混合編碼，每個(gè)基元以7個(gè)維度表示：一維的時(shí)間戳t和六維的機(jī)器人的關(guān)節(jié)姿態(tài)h={x,y,z,α,β,θ}。根據(jù)不同軌跡概率的比較確定預(yù)測(cè)軌跡，運(yùn)用GMM建立n個(gè)高斯分量的聯(lián)合分布概率密度函數(shù)，每個(gè)高斯分量均代表一段編碼的運(yùn)動(dòng)基元，即

(5)

式中：t、h分別為模型Ω中運(yùn)動(dòng)基元的時(shí)間戳和關(guān)節(jié)姿態(tài)；πi、pi、μi和Σi分別為第i個(gè)高斯分量的先驗(yàn)值、條件概率密度、均值和協(xié)方差。

首先運(yùn)用概率密度函數(shù)對(duì)縫紉動(dòng)作軌跡數(shù)據(jù)進(jìn)行建模，通過(guò)GMM對(duì)訓(xùn)練軌跡數(shù)據(jù)進(jìn)行聚類分析。為提升算法收斂速度，使用K-means算法進(jìn)行GMM初始化。采用期望最大化算法迭代計(jì)算至收斂，估計(jì)概率密度函數(shù)中的各參數(shù)；根據(jù)符合正態(tài)分布數(shù)據(jù)的條件分布，得到n個(gè)高斯分量的回歸函數(shù)，用于GMR軌跡預(yù)測(cè)學(xué)習(xí)。

2.2 GMR縫紉動(dòng)作軌跡預(yù)測(cè)學(xué)習(xí)

運(yùn)用GMR計(jì)算每段運(yùn)動(dòng)基元的均值函數(shù)和方差函數(shù)，將得到的n個(gè)高斯回歸函數(shù)混合加權(quán)，進(jìn)行軌跡回歸預(yù)測(cè)。通過(guò)更新學(xué)習(xí)軌跡參數(shù)中的條件期望值和方差，學(xué)習(xí)縫紉動(dòng)作的軌跡信息，生成機(jī)器人的跟隨動(dòng)作的運(yùn)動(dòng)軌跡。

(6)

式中：

(7)

(8)

(9)

(10)

3 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文方法中機(jī)器人對(duì)縫紉動(dòng)作的學(xué)習(xí)效果，由實(shí)驗(yàn)者做出示教縫紉動(dòng)作，運(yùn)用工業(yè)相機(jī)進(jìn)行樣本采集，提取上肢運(yùn)動(dòng)的樣本信息進(jìn)行軌跡學(xué)習(xí)的仿真實(shí)驗(yàn)，說(shuō)明本文方法的可行性和學(xué)習(xí)效果。通過(guò)軌跡跟蹤仿真實(shí)驗(yàn)，驗(yàn)證本文方法的平穩(wěn)性和推廣應(yīng)用價(jià)值，并與Kalman軌跡預(yù)測(cè)方法的跟蹤誤差對(duì)比，驗(yàn)證本文方法的有效性。

3.1 縫紉動(dòng)作識(shí)別實(shí)驗(yàn)

縫紉過(guò)程中常有 “移動(dòng)布料”、“對(duì)齊布料”、“翻轉(zhuǎn)布料” 等動(dòng)作，實(shí)驗(yàn)者據(jù)此進(jìn)行了3組示教縫紉動(dòng)作演示。布料尺寸為260 mm×160 mm，六自由度機(jī)器人的工作半徑為850 mm，符合機(jī)器人的工作空間范圍。運(yùn)用改進(jìn)的OPENPOSE模型對(duì)示教縫紉動(dòng)作進(jìn)行姿態(tài)識(shí)別，圖4(a)、(b)、(c)分別為3組示教縫紉動(dòng)作的識(shí)別結(jié)果。識(shí)別成功后，記錄每一個(gè)動(dòng)作中人體右臂的肩、肘、腕關(guān)節(jié)的坐標(biāo)變化，分別得到每個(gè)關(guān)節(jié)對(duì)應(yīng)的縫紉軌跡，作為機(jī)器人學(xué)習(xí)的軌跡樣本。

(a) 移動(dòng)布料

3.2 縫紉動(dòng)作學(xué)習(xí)仿真實(shí)驗(yàn)

OPENPOSE模型識(shí)別完成后，記錄縫紉動(dòng)作中右臂關(guān)節(jié)對(duì)應(yīng)的坐標(biāo)變化，分別得到人體右臂的腕關(guān)節(jié)、肘關(guān)節(jié)、肩關(guān)節(jié)的運(yùn)動(dòng)軌跡?？p紉動(dòng)作軌跡如圖5所示。

(a) 移動(dòng)布料

圖5中，綠色、紅色、藍(lán)色曲線分別代表腕關(guān)節(jié)、肘關(guān)節(jié)、肩關(guān)節(jié)的運(yùn)動(dòng)軌跡，A、B、C和A′、B′、C′點(diǎn)分別為腕關(guān)節(jié)、肘關(guān)節(jié)、肩關(guān)節(jié)的起始位置和終止位置。從圖5可見(jiàn)：移動(dòng)布料時(shí)，右臂的3個(gè)關(guān)節(jié)運(yùn)動(dòng)幅度均比較?。粚?duì)齊布料時(shí)，腕關(guān)節(jié)在垂直方向的運(yùn)動(dòng)幅度明顯增大；翻轉(zhuǎn)布料過(guò)程中，3個(gè)關(guān)節(jié)在垂直方向的運(yùn)動(dòng)幅度均較大。符合現(xiàn)實(shí)中人體運(yùn)動(dòng)學(xué)特征。

運(yùn)用GMM編碼-GMR動(dòng)作軌跡學(xué)習(xí)方法對(duì)每一條完整軌跡進(jìn)行編碼學(xué)習(xí)，得到的軌跡二維投影，如圖6所示。圖6中每一條二維曲線均代表圖5中一個(gè)關(guān)節(jié)運(yùn)動(dòng)軌跡的學(xué)習(xí)結(jié)果：圖6(a)對(duì)應(yīng)“移動(dòng)布料”中的肩關(guān)節(jié)運(yùn)動(dòng)軌跡，即圖5(a)中的藍(lán)色軌跡；圖6(b)對(duì)應(yīng)“對(duì)齊布料”中的腕關(guān)節(jié)運(yùn)動(dòng)軌跡，即圖5(b)中的綠色軌跡；圖6(c)對(duì)應(yīng)“翻轉(zhuǎn)布料”中的肘關(guān)節(jié)運(yùn)動(dòng)軌跡，即圖5(c)中的紅色軌跡。

(a) 移動(dòng)布料

3.3 軌跡跟蹤仿真實(shí)驗(yàn)

以“移動(dòng)布料”中右臂的3個(gè)關(guān)節(jié)的運(yùn)動(dòng)軌跡為示例，在Simulink中搭建六自由度機(jī)器人的仿真模型，并進(jìn)行機(jī)器人軌跡跟蹤的仿真實(shí)驗(yàn)。經(jīng)改進(jìn)OPENPOSE模型識(shí)別獲取關(guān)節(jié)點(diǎn)的二維像素坐標(biāo)，通過(guò)視覺(jué)標(biāo)定建立三維坐標(biāo)映射模型，得到像素坐標(biāo)系到機(jī)器人基座坐標(biāo)系的轉(zhuǎn)換關(guān)系，運(yùn)用轉(zhuǎn)換矩陣計(jì)算實(shí)現(xiàn)關(guān)節(jié)像素坐標(biāo)到機(jī)器人三維坐標(biāo)的映射，即得到機(jī)器人工作空間中的位置數(shù)據(jù)。將該位置數(shù)據(jù)組成的縫紉軌跡作為學(xué)習(xí)樣本，通過(guò)GMM-GMR方法預(yù)測(cè)學(xué)習(xí)，得到樣本縫紉軌跡的學(xué)習(xí)結(jié)果。將學(xué)習(xí)得到的位置數(shù)據(jù)轉(zhuǎn)換成關(guān)節(jié)空間角度信息，分別將右臂的肩關(guān)節(jié)、肘關(guān)節(jié)、腕關(guān)節(jié)的空間角度信息輸入到Simulink中機(jī)器人仿真模型的關(guān)節(jié)2、3、4中，機(jī)器人根據(jù)輸入角度運(yùn)動(dòng)至期望位置，實(shí)現(xiàn)機(jī)器人對(duì)示教縫紉軌跡的跟蹤。圖7為軌跡跟蹤過(guò)程中機(jī)器人對(duì)應(yīng)的關(guān)節(jié)力矩變化曲線，該曲線由Simulink仿真環(huán)境中的編碼器采集。

由圖7可見(jiàn)，機(jī)器人的2、3、4關(guān)節(jié)力矩曲線在軌跡跟蹤開(kāi)始時(shí)均有較大幅度的波動(dòng)。原因是機(jī)器人由靜止進(jìn)入運(yùn)動(dòng)狀態(tài)的瞬間，慣性作用使機(jī)器人關(guān)節(jié)產(chǎn)生輕微的抖動(dòng)。在0.5 s之內(nèi)，各關(guān)節(jié)的力矩曲線均趨于平穩(wěn)，說(shuō)明機(jī)器人關(guān)節(jié)根據(jù)期望角度可以平穩(wěn)地運(yùn)動(dòng)，證明了本文方法的平穩(wěn)性。從關(guān)節(jié)力矩變化曲線可以得出，應(yīng)用本文方法能實(shí)現(xiàn)機(jī)器人連續(xù)平穩(wěn)地進(jìn)行縫紉跟隨運(yùn)動(dòng)，在節(jié)約人力資源方面具有一定的推廣應(yīng)用價(jià)值。

圖 7 關(guān)節(jié)力矩變化Fig.7 Curve of joint torque change

為進(jìn)一步驗(yàn)證本文方法的有效性，將本文方法與Kalman預(yù)測(cè)方法進(jìn)行軌跡跟蹤仿真實(shí)驗(yàn)對(duì)比。運(yùn)用Kalman方法預(yù)測(cè)軌跡插值過(guò)程中的關(guān)節(jié)角度數(shù)據(jù)，根據(jù)當(dāng)前的關(guān)節(jié)角預(yù)測(cè)下一步的關(guān)節(jié)角，并根據(jù)每一步關(guān)節(jié)角的預(yù)測(cè)值和測(cè)量值求出最優(yōu)值，從而生成目標(biāo)關(guān)節(jié)角的變化曲線。圖8為機(jī)器人運(yùn)動(dòng)跟蹤過(guò)程中，關(guān)節(jié)2、3、4的軌跡跟蹤曲線，圖9為對(duì)應(yīng)的誤差曲線。從圖8、9可以看出，與Kalman模型相比，GMR模型軌跡跟蹤誤差更小。

(a) 關(guān)節(jié)2

(a) 關(guān)節(jié)2

由關(guān)節(jié)2、3、4的軌跡跟蹤曲線及誤差跟蹤曲線可見(jiàn)，機(jī)器人在運(yùn)動(dòng)的初始階段關(guān)節(jié)會(huì)產(chǎn)生約0.052～0.087 rad的誤差。原因是機(jī)器人從靜止?fàn)顟B(tài)進(jìn)入運(yùn)動(dòng)狀態(tài)的瞬間，運(yùn)動(dòng)的關(guān)節(jié)會(huì)產(chǎn)生較大幅度的抖動(dòng)從而對(duì)軌跡跟蹤造成干擾。對(duì)比各關(guān)節(jié)中Kalman模型和GMR模型的誤差跟蹤曲線，2 s后Kalman模型的跟蹤誤差明顯增大。原因是Kalman模型對(duì)短時(shí)間內(nèi)的預(yù)測(cè)有比較穩(wěn)定的判斷，無(wú)法有效處理長(zhǎng)時(shí)間的有噪聲軌跡數(shù)據(jù)。GMR模型的跟蹤誤差隨時(shí)間的增長(zhǎng)呈下降趨勢(shì)，且其準(zhǔn)確性高于Kalman模型。在關(guān)節(jié)2、3、4的跟蹤誤差曲線中，對(duì)比GMR模型與Kalman模型在0～1 s內(nèi)的誤差變化，可以看出GMR模型可以在更短時(shí)間內(nèi)降低跟蹤誤差，這是因?yàn)镚MR模型加入了時(shí)間變量，考慮了機(jī)器人隨時(shí)間運(yùn)動(dòng)的連續(xù)性。對(duì)比誤差跟蹤曲線可以看出GMR模型的準(zhǔn)確性和可靠性均優(yōu)于Kalman模型，證明了本文所提出的方法具有更好的實(shí)時(shí)性與學(xué)習(xí)能力。

4 結(jié) 語(yǔ)

本文提出了一種基于GMM-GMR的機(jī)器人縫紉動(dòng)作學(xué)習(xí)方法。通過(guò)搭建并改進(jìn)OPENPOSE模型，對(duì)上肢縫紉動(dòng)作進(jìn)行了有效識(shí)別。將上肢動(dòng)作的各關(guān)節(jié)軌跡信息，映射到機(jī)器人各關(guān)節(jié)，采用GMM對(duì)縫紉運(yùn)動(dòng)軌跡進(jìn)行混合編碼，通過(guò)GMR方法進(jìn)行參數(shù)學(xué)習(xí)，進(jìn)而生成機(jī)器人關(guān)節(jié)的跟隨運(yùn)動(dòng)軌跡。經(jīng)機(jī)器人縫紉動(dòng)作識(shí)別學(xué)習(xí)實(shí)驗(yàn)、縫紉動(dòng)作學(xué)習(xí)仿真實(shí)驗(yàn)和Kalman方法軌跡跟蹤對(duì)比仿真實(shí)驗(yàn)，結(jié)果驗(yàn)證了本文提出的方法能夠有效地實(shí)現(xiàn)對(duì)人體上肢縫紉動(dòng)作的跟蹤，證明了本文方法的平穩(wěn)性，且其運(yùn)動(dòng)精度可靠性、準(zhǔn)確性均優(yōu)于卡爾曼法，具有一定的推廣應(yīng)用價(jià)值。