7、机器人技能学习与协同探索技术解析

机器人技能学习与协同探索技术解析

1. 机器人学习人类舀取动作技能

在机器人的研发中，让其具备人类的直觉和技能是重要目标。为了让机器人学会执行舀取动作，研究人员进行了一系列实验。
- 人类动作捕捉 ：使用Optitrack系统对人类执行舀取动作时的自然姿势进行捕捉。具体操作是让受试者在执行舀取动作的优势手臂（如右臂）上放置被动运动捕捉标记，包括所有手指、手背、手腕、前臂、肘部、二头肌、三头肌和肩部。获取运动数据后，手动处理生成可读的数据文件，再将其导入Opensim，通过逆运动学将运动数据转换为受试者手臂的关节角度。这些关节角度对机器人的运动规划至关重要，研究人员从转换后的文件中为每种材料导出平均关节角度，并将其输入机器人的API，以根据识别的材料参数化并生成机器人运动。
- 手腕加速度数据采集 ：在实验过程中，还采集了人类受试者手腕的线性加速度数据，用于机器人运动规划。通过这些数据得出每种材料舀取时手腕的平均速度，从而为机器人的末端执行器设定可持续的速度。研究人员将手臂的速度增益预设为恒定值0.20，机器人运动控制则执行从图像分类模块接收到的针对特定材料舀取定义的轨迹。

2. 材料识别与实验结果

• 材料识别算法 ：研究使用了CNN和k - NN机器学习算法进行实时材料识别。实验表明，当k = 3时，材料图像分类算法的图像分类准确率达到100%。不同k值下k - NN模型的性能如下表所示：
  | K值 | 分类准确率 |
  | — | — |
  | 1 | 78% |
  | 2 | 82% |