基于模仿學(xué)習(xí)和隱馬爾可夫模型的人機(jī)交互研究.pdf

1、近幾年來隨著機(jī)器人產(chǎn)業(yè)的發(fā)展，越來越多的機(jī)器人從實(shí)驗(yàn)室和工廠中走入人們的生活中。人與機(jī)器人越來越多的接觸對(duì)機(jī)器人提出了新的要求。機(jī)器人需要有足夠的適應(yīng)能力適應(yīng)變化的環(huán)境。此外，機(jī)器人的動(dòng)作還需要能模仿人類的動(dòng)作，讓這些動(dòng)作從人類的角度看起來自然而舒適。過去的機(jī)器人需要針對(duì)它們需要執(zhí)行的每一個(gè)任務(wù)進(jìn)行繁復(fù)的人工編程，即使在今天，絕大多數(shù)機(jī)器人仍是這么做的。但對(duì)需要在日常生活中與沒有專業(yè)知識(shí)的用戶進(jìn)行交互的機(jī)器人來說，人們很難想象如何提前考

2、慮好機(jī)器人在生活中所可能面對(duì)的所有任務(wù)，并針對(duì)這些任務(wù)編寫好程序。這要求機(jī)器人能夠通過一個(gè)簡單直觀的方式學(xué)習(xí)新任務(wù)所要求的動(dòng)作，并且要求所學(xué)會(huì)的動(dòng)作具有魯棒性與適應(yīng)性。本文針對(duì)人機(jī)交互中存在的上述問題基于模仿學(xué)習(xí)與隱馬爾可夫模型展開了研究。
　　本文基于隱馬爾可夫模型對(duì)人手的動(dòng)作序列進(jìn)行建模，從而識(shí)別人類意圖。本文提出了一種簡潔有效的人手動(dòng)作序列識(shí)別算法,采用三維角度編碼方式，對(duì)人手位置進(jìn)行編碼。然后利用 Baum-Welch算法

3、結(jié)合前向后向算法從編碼數(shù)據(jù)中學(xué)習(xí)模型參數(shù)。此外本文引入閾值模型來區(qū)分已定義動(dòng)作和未定義動(dòng)作。當(dāng)用戶做出動(dòng)作時(shí)，本文利用前向后向算法，迭代計(jì)算在各個(gè)模型參數(shù)下出現(xiàn)當(dāng)前觀測的概率。
　　傳統(tǒng)的基于模仿學(xué)習(xí)的人機(jī)交互問題的研究大部分都是基于DMPs（Dynamic Motor Primitives）方法所做的，DMPs方法雖然能夠在機(jī)器人具有高自由度的時(shí)候保持較高效率。但DMPs方法無法應(yīng)對(duì)時(shí)間上的擾動(dòng)，并且不能將多條演示軌跡整合到一個(gè)

4、動(dòng)力學(xué)系統(tǒng)中。本文假設(shè)人類會(huì)根據(jù)交互距離的不同采取不一樣的交互動(dòng)作?；谶@個(gè)假設(shè)，本文對(duì)機(jī)器人和人類在日常場景中的交互進(jìn)行了研究。針對(duì)DMPs方法所存在的問題，筆者引入了SEDS方法來基于演示學(xué)習(xí)軌跡。SEDS方法基于高斯混合模型設(shè)計(jì)了一個(gè)非線性動(dòng)力學(xué)系統(tǒng)，在滿足所要求約束的前提下，這個(gè)動(dòng)力學(xué)模型在目標(biāo)點(diǎn)上是全局漸進(jìn)穩(wěn)定的。其中高斯混合模型的參數(shù)可以基于演示軌跡利用非線性最優(yōu)化方法結(jié)合EM算法獲得。
　　為了驗(yàn)證本文提出的方法的可