18、机器人路径规划算法：混合定向ProMPs与多群体果蝇优化算法

机器人路径规划算法：混合定向ProMPs与多群体果蝇优化算法

1. 混合定向ProMPs在姿态轨迹规划中的应用

1.1 轨迹规划效果对比

在姿态轨迹规划中，不同的算法会产生不同的轨迹效果。以相关实验为例，图中彩色曲线代表教学轨迹数据，黑色曲线代表从训练集学习到的平均轨迹分布。深蓝色点和浅蓝色点分别代表在时刻40和99需要经过的期望途经点，红色曲线则是模型重新学习后得到的新的途经点轨迹规划。

通过对比可以发现，混合定向ProMPs（Mixed Orientation ProMPs）规划的轨迹明显比单一定向ProMPs（single Orientation ProMPs）更平滑，波动更小。当规划轨迹波动较大时，机器人容易偏离预期的教学轨迹，增加遇到奇异点的可能性。

1.2 物理轨迹规划步骤

物理轨迹规划与模拟的三个阶段类似，具体步骤如下：
1. 收集物理教学轨迹 ：这是基础步骤，为后续的训练提供数据支持。
2. 分别训练轨迹 ：使用单一定向ProMPs和混合定向ProMPs分别对10条轨迹进行训练。
3. 设置期望途经点 ：在时刻t = 40，选择一个期望途经点，并将其方向坐标的单位四元数设置为(−0.889, 0.424, −0.149, 0.088)；在时刻t = 99，选择另一个期望途经点，将其方向坐标的单位四元数设置为(−0.756, 0.605, −0.023, 0.247)。

实验结果表明，混合定向ProMPs优于单一定向ProMPs。混合定向ProMPs的优势在