一种基于DTW-DP-GMM的工业机器人轨迹学习策略

摘要

针对机器人示教编程过程中使用高斯混合模型(GMM)规划运动轨迹时存在的高斯分布个数难以选择、复现轨迹精度较低等问题，提出了一种复合的机器人运动轨迹学习策略．该策略包含动态时间规整(DTW)算法、高斯混合模型与道格拉斯-普克(DP)算法．首先，针对示教过程中采集的多条轨迹在时间长度上存在差异的问题，采用DTW算法来统一示教轨迹在时域上的变化．其次，使用GMM算法对示教轨迹的特征进行提取，并利用高斯混合回归(GMR)算法将其重构为复现轨迹．在这个过程中采用DP算法来预估GMM算法的关键参数高斯分布的数量，与传统方法相比，能够简单直观地得到相对准确的参数值．利用DP算法对复现轨迹的数据点进行稀疏化并优化，不仅确保了机器人最终运动轨迹的精度，而且大幅减少了最终轨迹数据点的数量．最后，进行了不同形状的模拟焊接轨迹学习规划实验．结果表明：经由DTW对齐后的示教轨迹具有更加明显的运动特征，经过GMM-GMR学习输出的复现轨迹具有良好的表征结果；在使用GMM-GMR算法学习示教轨迹的过程中，采用DP算法可以有效预估高斯分布个数；经过DP算法稀疏化并优化的最终轨迹的平均位置误差均在0.500 mm以内，其最大误差可以控制在0.800 mm以内，可以满足焊接轨迹规划的精度要求，验证了该策略的有效性和优越性．

关键词

工业机器人 / 示教编程 / 高斯混合模型 / 道格拉斯-普克算法 / 动态时间规整 / 轨迹复现