CN116901055B - 仿人手交互控制方法和装置、电子设备及存储介质 - Google Patents
仿人手交互控制方法和装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116901055B CN116901055B CN202310568036.9A CN202310568036A CN116901055B CN 116901055 B CN116901055 B CN 116901055B CN 202310568036 A CN202310568036 A CN 202310568036A CN 116901055 B CN116901055 B CN 116901055B
- Authority
- CN
- China
- Prior art keywords
- control
- information
- primitive
- model
- state information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000003993 interaction Effects 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 230000009471 action Effects 0.000 claims abstract description 113
- 238000005457 optimization Methods 0.000 claims abstract description 78
- 241000282414 Homo sapiens Species 0.000 claims abstract description 23
- 230000002452 interceptive effect Effects 0.000 claims description 55
- 239000011159 matrix material Substances 0.000 claims description 45
- 238000010276 construction Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000010129 solution processing Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 11
- 238000011217 control strategy Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000005312 nonlinear dynamic Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
Abstract
本申请实施例提供了一种仿人手交互控制方法和装置、电子设备及存储介质,属于自动控制领域。该方法包括:获取仿人手执行动作技能基元时的初始状态信息、原始控制指令和作用力参数,再根据初始状态信息、作用力参数、原始控制指令和原始交互控制模型构建目标控制优化模型,然后对目标控制优化模型进行迭代求解得到仿人手的目标控制指令和当前状态信息,最后根据目标操控指令操控仿人手执行动作技能基元对应的操作,以使仿人手的所述初始状态信息切换为所述当前状态信息。因此,本申请可以通过仿人手的初始状态信息和作用力参数构建目标控制优化模型,以此模型求解得到目标控制指令对仿人手进行控制,使得仿人手在交互环境下的操作更为精确。
Description
技术领域
本申请涉及自动控制领域,尤其涉及一种仿人手交互控制方法和装置、电子设备及存储介质。
背景技术
目前,仿人手因其具备多自由度与多关节的特性,能够灵活抓取重量不一、各种形状的物体,成为航空航天、智能制造等领域的关注热点,但其在运动多约束且环境互动性强的应用场景下仍存在优化控制困难的问题。如执行交互动作时,受相互作用力影响,仿人手的运动空间实时改变,产生相应的运动学约束。因此,如何提高仿人手在多约束的工作环境下的互动性,并实时优化仿人手的控制策略,成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种仿人手交互控制方法和装置、电子设备及存储介质,旨在提高仿人手在多约束的工作环境下的互动性,并实时优化仿人手的控制策略,提高仿人手的控制准确度。
为实现上述目的,本申请实施例的第一方面提出了一种仿人手交互控制方法,所述方法包括:
获取仿人手执行每一动作技能基元时的初始状态信息、原始控制指令和作用力参数;其中,所述动作技能基元由预设的动作期望轨迹按照预设的常用动作技能基元组分解所得;
根据所述初始状态信息、所述作用力参数和预设的原始预测交互控制模型进行模型构建,得到每一所述动作技能基元的目标控制优化模型;其中,所述原始预测交互控制模型为线性控制优化模型;
对所述目标控制优化模型进行迭代求解处理,得到所述仿人手执行每一所述动作技能基元时的目标控制指令和当前状态信息;
根据所述目标操控指令操控所述仿人手执行每一所述动作技能基元对应的操作,以使所述仿人手的所述初始状态信息切换为所述当前状态信息。
根据本发明的一些实施例,所述根据所述初始状态信息、所述作用力参数和预设的原始预测交互控制模型进行模型构建,得到每一所述动作技能基元的目标控制优化模型之前,所述方法还包括构建所述原始预测交互控制模型,具体包括:
获取仿人手的位置信息、环境作用力信息和控制信息;
根据所述位置信息、所述环境作用力信息、所述控制信息和预设的加权矩阵集构建原始预测交互控制模型。
根据本发明的一些实施例,所述加权矩阵集包括:位置信息加权矩阵、交互信息加权矩阵、控制信息加权矩阵,所述根据所述位置信息、所述环境作用力信息、所述控制信息和预设的加权矩阵集构建原始预测交互控制模型,具体包括:
将所述环境作用力信息带入预设的弹簧模型进行求解,得到环境交互信息;
根据所述环境交互信息和交互信息加权矩阵生成交互信息状态量;
根据所述位置信息、位置信息加权矩阵和预设的仿人手控制优化模型生成位置信息状态量;
根据所述控制信息、控制信息加权矩阵和预设的仿人手控制优化模型生成控制信息状态量;
根据所述交互信息状态量、所述位置信息状态量和所述控制信息状态量构建原始预测交互控制模型,所述原始预测交互控制模型的表达式为:
其中q表示仿人手的位置状态信息,Qq是位置信息权重矩阵;Fext表示仿人手与环境的交互信息,QF是交互信息权重矩阵;u表示控制输入,R是控制输入信息权重矩阵。
根据本发明的一些实施例,在所述根据所述位置信息、位置信息加权矩阵和预设的仿人手控制优化模型生成位置信息状态量之前,所述方法还包括:
构建仿人手控制优化模型,具体包括:
基于预设的koopman算法对预设的非线性仿人手控制优化模型进行线性升维,得到线性仿人手控制优化模型;其中,所述仿人手控制优化模型的表达式为:
s.t.zk+1=Azk+Buk
其中,z表示仿人手所有状态的升维状态信息,u表示所述控制输入信息,Q、R分别是对应的加权矩阵。
根据本发明的一些实施例,在所述根据所述位置信息、所述环境作用力信息、所述控制信息和预设的加权矩阵集构建原始预测交互控制模型之前,所述方法还包括:
预设加权矩阵集,具体包括:
获取每一动作技能基元的特定要求信息;
根据所述特定要求信息从候选动作技能基元权重中筛选出每一动作技能基元的权重信息;
根据所述位置信息、所述环境作用力信息和所述控制信息对所述权重信息进行筛选处理,得到所述加权矩阵集。
根据本发明的一些实施例,在所述获取仿人手执行每一动作技能基元时的初始状态信息、原始控制指令和作用力参数之后,所述方法还包括:
获取所述作用力参数的状态信息;
若所述状态信息表征为所述作用力参数不存在,根据所述初始状态信息、所述原始控制指令和预设的原始预测交互控制模型进行模型构建,得到每一所述动作技能基元的选定预测交互控制模型;
对所述选定预测交互控制模型进行迭代求解处理,得到仿人手执行每一所述动作技能基元时的当前控制指令和更新状态信息;
根据所述当前控制指令操控所述仿人手执行所述动作技能基元对应的操作,以使所述仿人手执行所述动作技能基元时的所述初始状态信息切换为所述当前状态信息。
根据本发明的一些实施例,所述方法还包括:
根据预设的期望动作更新每一所述动作技能基元的目标控制优化模型,并根据所述期望动作对更新的所述目标控制优化模型进行迭代求解,得到更新控制指令;
根据所述更新控制指令对每一所述动作技能基元的所述当前状态信息进行更新。
为实现上述目的,本申请实施例的第二方面提出了一种仿人手交互控制装置,所述装置包括:
获取模块,用于获取仿人手执行每一动作技能基元时的初始状态信息、原始控制指令和作用力参数;
模型构建模块,用于根据所述初始状态信息、所述作用力参数和预设的原始预测交互控制模型进行模型构建,得到每一所述动作技能基元的目标控制优化模型;其中,所述原始预测交互控制模型为线性控制优化模型;
模型求解模块,用于对所述目标控制优化模型进行迭代求解处理,得到仿人手执行每一所述动作技能基元时的目标控制指令和当前状态信息;
控制模块,用于根据所述目标操控指令操控每一所述动作技能基元执行对应的操作,以使所述动作技能基元的所述初始状态信息切换为当前状态信息。
为实现上述目的,本申请实施例的第三方面提出了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
为实现上述目的,本申请实施例的第四方面提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的方法。
本申请提出的仿人手交互控制方法和装置、电子设备及存储介质,其通过获取仿人手执行每一动作技能基元时的初始状态信息、原始控制指令和作用力参数,再根据初始状态信息、作用力参数、原始控制指令和原始交互控制模型构建目标控制优化模型,然后对目标控制优化模型进行迭代求解得到仿人手执行每一动作技能基元时的目标控制指令和当前状态信息,最后根据目标操控指令操控仿人手执行每一动作技能基元对应的操作,以使仿人手的所述初始状态信息切换为所述当前状态信息。因此,本申请可以通过仿人手的初始状态信息、原始控制指令和作用力参数构建目标控制优化模型,以此模型求解得到能反应外界坏境与仿人手交互关系的目标控制指令,并以此目标控制指令对仿人手进行控制,使得仿人手在交互环境下的操作更为精确。
附图说明
图1是本申请实施例提供的仿人手交互控制方法的流程图;
图2仿人手自由运动时的操控步骤流程图;
图3是构建原始预测交互控制模型的步骤流程图;
图4是预设加权矩阵集的步骤流程图;
图5是图3中的步骤S302的流程图;
图6是更新目标控制优化模型的步骤流程图;
图7是本申请另一实施例提供的仿人手交互控制装置的结构示意图;
图8是本申请另一实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请中涉及的若干名词进行解析:
人工智能(artificial intelligence,AI):是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学;人工智能是计算机科学的一个分支,人工智能企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
动作技能基元(manipulation primitives,MP),通过对动作技能基元应用通用控制策略可求解不同的目标控制优化模型。我们为仿人手定制一组可经常重用的动作技能基元(MP)。当上一个MP终止时仿人手会将其初始状态和当前状态作为参数传递给下一个MP,用于下一个MP的目标控制优化模型求解。
Koopman算子理论发展于1931年,近年来引入机器人研究领域,成为线性化表征机器人非线性系统或未知系统的主要工具。通过Koopman本征函数可以将非线性系统状态升维到高维线性空间,将该方法与控制策略相结合可有效避免非线性动力学系统导致的控制优化问题非凸性,简化最优控制策略的求解。
目前,机器人产业蓬勃发展,正极大改变着人类的生产和生活方式,为经济社会发展注入强劲动能。仿人手也因其具备多自由度与多关节的特性,能够灵活抓取重量不一、各种形状的物体,成为航空航天、智能制造等领域的关注热点。虽然仿人手已经取得了突破性成果,但其在运动多约束且环境互动性强的应用场景下仍存在优化控制困难的问题。如执行交互动作时,受相互作用力影响,仿人手的运动空间实时改变,产生相应的运动学约束。因此,多约束与工作环境互动性,对仿人手的控制策略提出了严峻挑战。
基于此,本申请实施例提供了一种仿人手交互控制方法和装置、电子设备及存储介质,旨在提高仿人手在交互环境的控制精准度。
本申请实施例提供的仿人手交互控制方法和装置、电子设备及存储介质,具体通过如下实施例进行说明,首先描述本申请实施例中的仿人手交互控制方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的仿人手交互控制方法,涉及人工智能技术领域。本申请实施例提供的仿人手交互控制方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器;软件可以是实现仿人手交互控制方法的应用等,但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
参照图1,根据本申请实施例第一方面实施例提供的仿人手交互控制方法,图1中的方法可以包括但不限于包括步骤S101至步骤S104。
步骤S101,获取仿人手执行每一动作技能基元时的初始状态信息、原始控制指令和作用力参数;
步骤S102,根据初始状态信息、作用力参数和预设的原始预测交互控制模型进行模型构建,得到每一动作技能基元的目标控制优化模型,其中,原始预测交互控制模型为线性控制优化模型;
步骤S103,对目标控制优化模型进行迭代求解处理,得到仿人手执行每一动作技能基元时的目标控制指令和当前状态信息;
步骤S104,根据目标操控指令操控仿人手执行每一动作技能基元对应的操作,以使仿人手的初始状态信息切换为当前状态信息。
本申请实施例所示意的步骤S101至步骤S104,通过获取仿人手执行每一动作技能基元时的初始状态信息、原始控制指令和作用力参数,再根据初始状态信息、作用力参数、原始控制指令和原始交互控制模型构建目标控制优化模型,其中,原始预测交互控制模型为线性控制优化模型,然后对目标控制优化模型进行迭代求解得到仿人手执行每一动作技能基元时的目标控制指令和当前状态信息,最后根据目标操控指令操控仿人手执行每一动作技能基元对应的操作,以使仿人手的所述初始状态信息切换为所述当前状态信息。因此,本申请可以通过仿人手的初始状态信息、作用力参数以及预设的线性原始预测交互控制模型构建目标控制优化模型,以此模型求解得出受环境交互影响的目标控制指令对仿人手进行交互控制,使得仿人手在运动多约束且环境互动性强的应用场景下的操作更为精确。
在一些实施例的步骤S101中,获取仿人手执行每一动作技能基元时的初始状态信息、原始控制指令和作用力参数,也即实时获取仿人手初始状态信息、原始控制指令以及仿人手与环境之间交互产生的作用力参数,以用于后续模型构建和模型求解中。
请参阅图2,在一些实施例的步骤S101之后,可以包括但不限于包括步骤S201至步骤S204:
步骤S201,获取作用力参数的状态信息;
步骤S202,若状态信息表征为作用力参数不存在,根据初始状态信息、原始控制指令和预设的原始预测交互控制模型进行模型构建,得到每一动作技能基元的选定预测交互控制模型;
步骤S203,对选定预测交互控制模型进行迭代求解处理,得到仿人手执行每一动作技能基元时的当前控制指令和更新状态信息;
步骤S204,根据当前控制指令操控仿人手执行动作技能基元对应的操作,以使仿人手执行动作技能基元时的所述初始状态信息切换为所述当前状态信息。
在一些实施例的步骤S201中,获取作用力参数的状态信息,以判断作用力参数是否存在,其中,状态信息可以是二进制状态值0或1,0用于表示作用力参数不存在,1用于表示作用力参数存在。也可以通过其他方式来设置状态信息以用于判断作用力参数是否存在,不限于此。
在一些实施例的步骤S202中,若状态信息表征为作用力参数不存在,即说明仿人手与外界环境并无交互,根据初始状态信息和预设的原始预测交互控制模型进行模型构建,得到每一动作技能基元的选定预测交互控制模型,用于对处于自由运动状态下的仿人手进行控制。
在一些实施例的步骤S203中,对选定预测交互控制模型进行迭代求解处理,得到仿人手执行每一动作技能基元时的当前控制指令和更新状态信息,根据仿人手的初始状态信息和原始控制指令生成自由状态下仿人手的当前控制指令,对仿人手进行控制并更新仿人手的初始状态信息。
在一些实施例的步骤S204中,根据当前控制指令操控动作技能基元执行对应的操作,以使动作技能基元的初始状态信息切换为当前状态信息,从而保证后续动作技能基元的初始状态信息是上一动作技能基元的控制结束状态信息,完成了连续动作技能基元之间的信息传递。
本申请实施例所示意的步骤S201至步骤S204,通过判断作用力参数的状态信息来确定仿人手是否与外界环境交互,针对不存在环境交互的动作技能基元,构建选定预测交互控制模型对仿人手进行控制,在区分了自由运动和环境交互两种状态下的仿人手,针对两种不同环境下分别构建控制模型以使得仿人手在整个控制过程中无论是否存在环境作用力都能精确的控制仿人手运动。
在一些实施例的步骤S102之前,仿人手交互控制方法还包括:预先构建原始预测交互控制模型。由于仿人手交互控制方法在构建目标控制优化模型前需要预先训练和构建原始预测交互控制模型,从而保证目标控制优化模型是由实时的仿人手状态信息以及预先训练好的原始预测交互控制模型所构建的。
请参阅图3,预先构建原始预测交互控制模型可以包括但不限于包括步骤S301至步骤S302:
步骤S301,获取仿人手的位置信息、环境作用力信息和控制信息;
步骤S302,根据位置信息、环境作用力信息、控制信息和预设的加权矩阵集构建原始预测交互控制模型。
在一些实施例的步骤S301中,获取仿人手的位置信息、环境作用力信息和控制信息,即获取在交互环境下仿人手的位置信息、环境作用力信息和控制信息用于构建原始预测交互控制模型。
在一些实施例的步骤S302中,根据位置信息、环境作用力信息、控制信息和预设的加权矩阵集构建原始预测交互控制模型,即针对不同的情况下对仿人手控制策略不同,以采用不同的预设加权矩阵集来构建原始预测交互控制模型。
本申请实施例所示意的步骤S301至步骤S302,通过获取在交互环境下仿人手的位置信息、环境作用力信息和控制信息后根据不同的控制策略采用不同的加权矩阵集以构建更为精确的原始预测交互控制模型。
在一些实施例的步骤S302之前,仿人手交互控制方法还包括:预设加权矩阵集。由于仿人手交互控制方法在针对不同类型的动作技能基元会采用不同的控制策略,即通过采用不同的加权矩阵集来实现不同的控制策略,从而保证了交互控制的精准度。
请参阅图4,预设加权矩阵集可以包括但不限于包括步骤S401至步骤S403:
步骤S401,获取每一动作技能基元的特定要求信息;
步骤S402,根据特定要求信息从候选动作技能基元权重中筛选出每一动作技能基元的权重信息;
步骤S403,根据位置信息、环境作用力信息和控制信息对权重信息进行筛选处理,得到加权矩阵集。
在一些实施例的步骤S401中,获取每一动作技能基元的特定要求信息,其中,特定要求信息是根据不同的动作技能基元其控制策略的不同而生成的。
在一些实施例的步骤S402中,候选动作技能基元权重包括:每种不同的动作技能基元的特定要求信息对应的权重,动作技能基元根据特定要求信息从候选动作技能基元权重中筛选出每一动作技能基元的权重信息。
在一些实施例的步骤S403中,根据位置信息、环境作用力信息和控制信息对权重信息进行筛选处理,筛选出各自对应的权重信息,然后通过加权矩阵运算获得各自对应加权矩阵。
本申请实施例所示意的步骤S401至步骤S403,通过获取每一动作技能基元的特定要求信息,以此来获取位置信息、环境作用力信息和控制信息对应的权重信息,再通过加权矩阵运算获得每一动作技能基元对应的加权矩阵集。
请参阅图5,在一些实施例中,步骤S302还可以包括但不限于包括步骤S501至步骤S505:
步骤S501,将环境作用力信息带入预设的弹簧模型进行求解,得到环境交互信息;
步骤S502,根据环境交互信息和交互信息加权矩阵生成交互信息状态量;
步骤S503,根据位置信息、位置信息加权矩阵和预设的仿人手控制优化模型生成位置信息状态量;
步骤S504,根据控制信息、控制信息加权矩阵和预设的仿人手控制优化模型生成控制信息状态量;
步骤S505,根据交互信息状态量、位置信息状态量和控制信息状态量构建原始预测交互控制模型;
在一些实施例的步骤S501中,将环境作用力信息带入预设的弹簧模型进行求解,得到环境交互信息,通过计算出的环境交互信息来作为影响原始预测交互控制模型的一个状态量,更能体现外界对仿人手的作用力大小和方向等作用力参数,使得对仿人手进行控制更为精确。
需要说明的是,根据环境与仿人手之间的作用力信息和预设的弹簧模型推导求解得到环境交互信息,具体过程如下:
其中fext表示仿人手与环境交互时产生的相互作用力,是一个3×1的矢量,对应的mext表示交互时的力矩;Ke表示交互对象的刚度矩阵;J(q)为雅克比转置矩阵。
在一些实施例的步骤S502中,根据环境交互信息和交互信息加权矩阵生成交互信息状态量,用于构建原始预测交互控制模型,使得原始预测交互控制模型更能反应仿人手与环境之间交互产生的影响。
在一些实施例的步骤S503中,根据位置信息、位置信息加权矩阵和预设的仿人手控制优化模型生成位置信息状态量,用于构建原始预测交互控制模型,使得原始预测交互控制模型更能反应仿人手的位置变化对仿人手控制的影响。
在一些实施例的步骤S504中,根据控制信息、控制信息加权矩阵和预设的仿人手控制优化模型生成控制信息状态量,用于构建原始预测交互控制模型使得原始预测交互控制模型更能反应仿人手的控制信息对仿人手控制的影响。
在一些实施例的步骤S505中,根据交互信息状态量、位置信息状态量和控制信息状态量构建原始预测交互控制模型,通过构建三个对仿人手交互控制影响最大的状态量,并以此来构建原始预测交互控制模型能确保仿人手控制在环境交互约束下的控制能更为精准。
需要说明的是,原始预测交互控制模型的表达式为:
其中q表示仿人手的位置状态信息,Qq是位置信息权重矩阵,Fext表示仿人手与环境的反作用力信息,QF是交互信息权重矩阵,u表示控制输入,R是控制输入信息权重矩阵。
本申请实施例所示意的步骤S501至步骤S505,通过针对每一动作技能基元存在的三个信息源采用了对应的加权矩阵得到三个对仿人手交互控制影响较大的三个状态量,结合三个状态量从而构建出更具针对性的原始预测交互控制模型,从而提高了原始预测交互控制模型的预测精准度。
在一些实施例的步骤S503之前,仿人手交互控制方法还包括:构建仿人手控制优化模型,具体包括:基于预设的koopman算法对预设的非线性仿人手控制优化模型进行线性升维,得到线性仿人手控制优化模型,其中,仿人手控制优化模型的表达式为:
s.t.zk+1=Azk+Buk
其中,z表示仿人手所有状态的升维状态信息,u表示控制输入信息,Q、R分别是对应的加权矩阵。
在一些实施例中,预设的非线性仿人手控制优化模型表达式为:
其中x(t)、u(t)分别表示仿人手的状态和控制输入。
通过Koopman本征函数对仿人手的状态量进行函数复合可得到升维状态,在升维空间中可得到如下式所示的线性仿人手控制优化模型:
zk+1=Azk+Buk
zk=Φ(xk)
其中,x表示仿人手的原始状态,z表示升维后的状态,u表示控制输入,A、B分别是对应的加权矩阵。
在一些实施例中,升维后得到的线性仿人手控制优化模型,将原本的仿人手非线性控制优化模型
转化为线性的仿人手控制优化模型:
s.t.zk+1=Azk+Buk
其中x(t)表示仿人手的初始状态,W、Q、R分别是对应的加权矩阵。
本申请在构建仿人手控制优化模型具体步骤中,通过Koopman算子理论将仿人手的非线性动力学系统升维到线性空间,从而凸化仿人手控制优化问题,构建出可求最优解的线性仿人手控制优化模型,以此提高了求解状态量的准确度,从而提高了模型控制的准确度。
请参阅图6,在一些实施例中,仿人手交互控制方法还可以包括但不限于包括步骤S601至步骤S602:
步骤S601,根据预设的期望动作更新每一动作技能基元的目标控制优化模型,并根据期望动作对更新的目标控制优化模型进行迭代求解,得到更新控制指令;
步骤S602,根据更新控制指令对每一动作技能基元的当前状态信息进行更新。
在一些实施例的步骤S601中,用户可以根据需求设定期望动作,根据期望动作来更新每一动作技能基元,从而更新每一动作技能基元对应的目标控制优化模型,以针对不同的动作需求和不同的交互环境下,更新出更为适应当前环境的目标控制优化模型从而提高目标控制优化模型的适应性,迭代求解出下一动作技能基元的状态更新指令。
在一些实施例的步骤S602中,通过更新控制指令对动作技能基元的当前状态信息从而保证后续动作技能基元的初始状态是上一动作技能基元的控制结束状态。
本申请实施例所示意的步骤S601至步骤S602,通过针对不同的期望动作实时更新目标控制优化模型,既满足了用户的操作需求,也提高了目标控制优化模型的适应性和实时性。
请参阅图7,本申请实施例还提供一种仿人手交互控制装置,可以实现上述仿人手交互控制方法,该装置包括:
获取模块701,用于获取仿人手执行每一动作技能基元时的初始状态信息、原始控制指令和作用力参数,其中,动作技能基元由预设的动作期望轨迹按照预设的常用动作技能基元组分解所得;
模型构建模块702,用于根据初始状态信息、作用力参数和预设的原始预测交互控制模型进行模型构建,得到每一动作技能基元的目标控制优化模型,其中,原始预测交互控制模型为线性控制优化模型;
模型求解模块703,用于对目标控制优化模型进行迭代求解处理,得到仿人手执行每一动作技能基元时的目标控制指令和当前状态信息;
控制模块704,用于根据目标操控指令操控仿人手执行每一动作技能基元对应的操作,以使仿人手的初始状态信息切换为当前状态信息。
该仿人手交互控制装置的具体实施方式与上述仿人手交互控制方法的具体实施例基本相同,在此不再赘述。
本申请实施例还提供了一种电子设备,电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述仿人手交互控制方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图8,图8示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器801,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器802,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器802可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器802中,并由处理器801来调用执行本申请实施例的仿人手交互控制方法;
输入/输出接口803,用于实现信息输入及输出;
通信接口804,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线805,在设备的各个组件(例如处理器801、存储器802、输入/输出接口803和通信接口804)之间传输信息;
其中处理器801、存储器802、输入/输出接口803和通信接口804通过总线805实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述仿人手交互控制方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的仿人手交互控制方法、仿人手交互控制装置、电子设备及存储介质,其通过获取每一仿人手动作技能基元的初始状态信息、原始控制指令和作用力参数,再根据初始状态信息、作用力参数、原始控制指令和原始交互控制模型构建目标控制优化模型,然后对目标控制优化模型进行迭代求解得到每一动作技能基元的目标控制指令和当前状态信息,最后根据目标操控指令操控每一动作技能基元执行对应的操作,以使每一动作技能基元的初始状态信息切换为当前状态信息。因此,本申请可以通过仿人手的初始状态信息和作用力参数构建目标控制优化模型,并且在模型构建过程中还通过针对不同环境下采用不同的构建方法以及实时更新模型,以此模型求解得到目标控制指令更加具有针对性和实时性,使得仿人手在交互环境下的操作更为精确。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (7)
1.一种仿人手交互控制方法,其特征在于,所述方法包括:
获取仿人手执行每一动作技能基元时的初始状态信息、原始控制指令和作用力参数;其中,所述动作技能基元由预设的动作期望轨迹按照预设的常用动作技能基元组分解所得;
获取仿人手的位置信息、环境作用力信息和控制信息;
根据所述位置信息、所述环境作用力信息、所述控制信息和预设的加权矩阵集构建原始预测交互控制模型,具体包括:
将所述环境作用力信息带入预设的弹簧模型进行求解,得到环境交互信息;
根据所述环境交互信息和交互信息加权矩阵生成交互信息状态量;
根据所述位置信息、位置信息加权矩阵和预设的仿人手控制优化模型生成位置信息状态量;
根据所述控制信息、控制信息加权矩阵和预设的仿人手控制优化模型生成控制信息状态量;
根据所述交互信息状态量、所述位置信息状态量和所述控制信息状态量构建原始预测交互控制模型,所述原始预测交互控制模型的表达式为:
其中,q表示仿人手的位置状态信息,Qq是位置信息权重矩阵;Fext表示仿人手与环境的交互信息,QF是交互信息权重矩阵;u表示控制输入,R是控制输入信息权重矩阵;
构建仿人手控制优化模型,具体包括:
基于预设的koopman算法对预设的非线性仿人手控制优化模型进行线性升维,得到线性仿人手控制优化模型;其中,所述线性仿人手控制优化模型的表达式为:
s.t.zk+1=Azk+Buk
其中,z表示仿人手所有状态的升维状态信息,u表示所述控制输入信息,Q、R分别是对应的加权矩阵;
根据所述初始状态信息、所述作用力参数和所述原始预测交互控制模型进行模型构建,得到每一所述动作技能基元的目标控制优化模型;其中,所述原始预测交互控制模型为线性控制优化模型;
对所述目标控制优化模型进行迭代求解处理,得到所述仿人手执行每一所述动作技能基元时的目标控制指令和当前状态信息;
根据所述目标控制指令操控所述仿人手执行每一所述动作技能基元对应的操作,以使所述仿人手的所述初始状态信息切换为所述当前状态信息。
2.根据权利要求1所述的方法,其特征在于,在所述根据所述位置信息、所述环境作用力信息、所述控制信息和预设的加权矩阵集构建原始预测交互控制模型之前,所述方法还包括:
预设加权矩阵集,具体包括:
获取每一动作技能基元的特定要求信息;
根据所述特定要求信息从候选动作技能基元权重中筛选出每一动作技能基元的权重信息;
根据所述位置信息、所述环境作用力信息和所述控制信息对所述权重信息进行筛选处理,得到所述加权矩阵集。
3.根据权利要求1所述的方法,其特征在于,在所述获取仿人手执行每一动作技能基元时的初始状态信息、原始控制指令和作用力参数之后,所述方法还包括:
获取所述作用力参数的状态信息;
若所述状态信息表征为所述作用力参数不存在,根据所述初始状态信息、所述原始控制指令和预设的原始预测交互控制模型进行模型构建,得到每一所述动作技能基元的选定预测交互控制模型;
对所述选定预测交互控制模型进行迭代求解处理,得到仿人手执行每一所述动作技能基元时的当前控制指令和更新状态信息;
根据所述当前控制指令操控所述仿人手执行所述动作技能基元对应的操作,以使所述仿人手执行所述动作技能基元时的所述初始状态信息切换为所述当前状态信息。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据预设的期望动作更新每一所述动作技能基元的目标控制优化模型,并根据所述期望动作对更新的所述目标控制优化模型进行迭代求解,得到更新控制指令;
根据所述更新控制指令对每一所述动作技能基元的所述当前状态信息进行更新。
5.一种仿人手交互控制装置,其特征在于,应用于权利要求1所述的仿人手交互控制方法,所述装置包括:
获取模块,用于获取仿人手执行每一动作技能基元时的初始状态信息、原始控制指令和作用力参数;其中,所述动作技能基元由预设的动作期望轨迹按照预设的常用动作技能基元组分解所得;
模型构建模块,用于根据所述初始状态信息、所述作用力参数和预设的原始预测交互控制模型进行模型构建,得到每一所述动作技能基元的目标控制优化模型;其中,所述原始预测交互控制模型为线性控制优化模型;
模型求解模块,用于对所述目标控制优化模型进行迭代求解处理,得到所述仿人手执行每一所述动作技能基元时的目标控制指令和当前状态信息;
控制模块,用于根据所述目标控制指令操控所述仿人手执行每一所述动作技能基元对应的操作,以使所述仿人手的所述初始状态信息切换为所述当前状态信息。
6.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1至4任一项所述的仿人手交互控制方法。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的仿人手交互控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310568036.9A CN116901055B (zh) | 2023-05-19 | 2023-05-19 | 仿人手交互控制方法和装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310568036.9A CN116901055B (zh) | 2023-05-19 | 2023-05-19 | 仿人手交互控制方法和装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116901055A CN116901055A (zh) | 2023-10-20 |
CN116901055B true CN116901055B (zh) | 2024-04-19 |
Family
ID=88349972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310568036.9A Active CN116901055B (zh) | 2023-05-19 | 2023-05-19 | 仿人手交互控制方法和装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116901055B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105082125A (zh) * | 2015-08-05 | 2015-11-25 | 华南理工大学 | 一种液滴微操作机械手结构及其姿态控制方法 |
CN106444738A (zh) * | 2016-05-24 | 2017-02-22 | 武汉科技大学 | 基于动态运动基元学习模型的移动机器人路径规划方法 |
CN111618847A (zh) * | 2020-04-22 | 2020-09-04 | 南通大学 | 基于深度强化学习与动态运动基元的机械臂自主抓取方法 |
CN112959330A (zh) * | 2021-02-02 | 2021-06-15 | 浙江大学 | 基于主从动态运动基元的机器人双臂运动人机对应装置及方法 |
CN113001552A (zh) * | 2021-03-16 | 2021-06-22 | 中国科学院自动化研究所 | 面向杂质性目标的机器人操作协同抓取方法、系统及设备 |
CN113408621A (zh) * | 2021-06-21 | 2021-09-17 | 中国科学院自动化研究所 | 面向机器人技能学习的快速模仿学习方法、系统、设备 |
CN114571458A (zh) * | 2022-03-21 | 2022-06-03 | 苏州大学 | 基于动态运动基元的微纳机器人组装轨迹学习方法 |
DE102021203337A1 (de) * | 2021-04-01 | 2022-10-06 | Robert Bosch Gesellschaft mit beschränkter Haftung | Steuereinheit für eine mobile Arbeitsmaschine, mobile Arbeitsmaschine damit, und Verfahren zur Steuerung der Arbeitsmaschine |
CN115981328A (zh) * | 2022-12-30 | 2023-04-18 | 上海大学 | 一种基于动态运动基元的轨迹规划与调整方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100995933B1 (ko) * | 2008-09-01 | 2010-11-22 | 한국과학기술연구원 | 진화 알고리즘과 모방학습에 기초한 로봇의 동작 제어 방법 |
CN112088070A (zh) * | 2017-07-25 | 2020-12-15 | M·奥利尼克 | 用于操作机器人系统并执行机器人交互的系统及方法 |
US11345030B2 (en) * | 2019-05-28 | 2022-05-31 | Intel Corporation | Methods and apparatus for complex assembly via autonomous robots using reinforcement learning action primitives |
US20210069910A1 (en) * | 2019-06-12 | 2021-03-11 | Mark Oleynik | Systems and methods for minimanipulation library adjustments and calibrations of multi-functional robotic platforms with supported subsystem interactions |
US11878415B2 (en) * | 2019-11-15 | 2024-01-23 | Massachusetts Institute Of Technology | Tactile dexterity and control |
CN111461431B (zh) * | 2020-03-31 | 2022-05-27 | 广东工业大学 | 一种基于手机制造中锁螺丝工艺的优化方法和系统 |
DE102021204846B4 (de) * | 2021-05-12 | 2023-07-06 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zum Steuern einer Robotervorrichtung |
US20220402140A1 (en) * | 2021-06-18 | 2022-12-22 | Intrinsic Innovation Llc | Learning to acquire and adapt contact-rich manipulation skills with motion primitives |
-
2023
- 2023-05-19 CN CN202310568036.9A patent/CN116901055B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105082125A (zh) * | 2015-08-05 | 2015-11-25 | 华南理工大学 | 一种液滴微操作机械手结构及其姿态控制方法 |
CN106444738A (zh) * | 2016-05-24 | 2017-02-22 | 武汉科技大学 | 基于动态运动基元学习模型的移动机器人路径规划方法 |
CN111618847A (zh) * | 2020-04-22 | 2020-09-04 | 南通大学 | 基于深度强化学习与动态运动基元的机械臂自主抓取方法 |
CN112959330A (zh) * | 2021-02-02 | 2021-06-15 | 浙江大学 | 基于主从动态运动基元的机器人双臂运动人机对应装置及方法 |
CN113001552A (zh) * | 2021-03-16 | 2021-06-22 | 中国科学院自动化研究所 | 面向杂质性目标的机器人操作协同抓取方法、系统及设备 |
DE102021203337A1 (de) * | 2021-04-01 | 2022-10-06 | Robert Bosch Gesellschaft mit beschränkter Haftung | Steuereinheit für eine mobile Arbeitsmaschine, mobile Arbeitsmaschine damit, und Verfahren zur Steuerung der Arbeitsmaschine |
CN113408621A (zh) * | 2021-06-21 | 2021-09-17 | 中国科学院自动化研究所 | 面向机器人技能学习的快速模仿学习方法、系统、设备 |
CN114571458A (zh) * | 2022-03-21 | 2022-06-03 | 苏州大学 | 基于动态运动基元的微纳机器人组装轨迹学习方法 |
CN115981328A (zh) * | 2022-12-30 | 2023-04-18 | 上海大学 | 一种基于动态运动基元的轨迹规划与调整方法及系统 |
Non-Patent Citations (6)
Title |
---|
LEARNING AND RECOGNITION OF HUMAN ACTIONS USING OPTIMAL CONTROL PRIMITIVES;Ganesh, Sumitra;《Workshop on the Active Vision of Humanoids held at the Conference on Humanoid Rotobics》;20071231;第第6卷卷(第第3期期);全文 * |
Optimal Control and Coordination of Connected and Automated Vehicles in a Mixed Traffic Environment;Saxena, D.M;《arXiv》;20210208;全文 * |
上肢康复机器人的增强学习控制方法研究;孟凡成;《中国优秀博士学位论文全文电子期刊网》;20150601;全文 * |
基于头姿交互技能学习的机器人轮椅共享控制方法研究;赵秦毅;《中国优秀硕士学位论文全文电子期刊网 工程科技Ⅱ辑》;20220315;全文 * |
基于强化学习与动态运动基元的移动机器人抓取研究;胡英柏;《中国优秀硕士学位论文全文 电子期刊网 信息科技辑》;20180715;全文 * |
基于进化算法的多用户检测器;阎石等;《电子与信息学报》;20060228;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116901055A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7264376B2 (ja) | 汎用学習済モデルの生成方法 | |
Pollack et al. | Evolutionary techniques in physical robotics | |
US8301421B2 (en) | Automatic control system generation for robot design validation | |
CN108733703A (zh) | 问答系统的答案预测方法及装置、电子设备、存储介质 | |
CN110516389B (zh) | 行为控制策略的学习方法、装置、设备及存储介质 | |
CN111152227A (zh) | 一种基于引导式dqn控制的机械臂控制方法 | |
KR20230119023A (ko) | 단기 기억 장치가 있는 어텐션 신경망 | |
KR20210033809A (ko) | 인공 신경망을 이용하여 로봇을 제어하는 제어 서버 및 방법와, 이를 구현하는 로봇 | |
WO2021138939A1 (zh) | 一种云脑机器人系统 | |
CN108229640B (zh) | 情绪表达的方法、装置和机器人 | |
CN115081623A (zh) | 遗忘学习方法、装置、设备及介质 | |
CN114939870B (zh) | 模型训练方法和装置、策略优化方法、设备及介质 | |
CN116901055B (zh) | 仿人手交互控制方法和装置、电子设备及存储介质 | |
Martinez et al. | From walking to running a natural transition in the SLIP model using the hopping gait | |
CN115438588B (zh) | 一种锂电池的温度预测方法、系统、设备及存储介质 | |
Vega-Alvarado et al. | Hybrid metaheuristic for designing an end effector as a constrained optimization problem | |
Xiao | The construction path of university smart library based on digital twin | |
CN116652940A (zh) | 仿人手精密操控方法和装置、电子设备及存储介质 | |
Moriwaki et al. | Achieving general-purpose AI that can learn and make decisions for itself | |
CN111571594A (zh) | 一种提高遥操作机器人透明性和稳定性的方法 | |
CN116383667B (zh) | 一种模型训练、运动指令预测方法、装置及系统 | |
CN116542310B (zh) | 一种机器人的模型训练、运动指令预测方法、装置及系统 | |
Chen et al. | A universal and configurable simulator for distributed systems | |
Shahbazi et al. | Coordination of monopedal SLIP models towards quadrupedal running | |
CN116050423A (zh) | 信息抽取方法、系统、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |