[发明专利]一种适合多自由度机器人的姿态迁移算法系统

说明书

本发明公开了一种适合多自由度机器人的姿态迁移算法系统，涉及机器人领域，本发明姿态迁移算法系统将机器人在不同环境下的姿态或动作生成任务视为一个多目标优化问题，将在简单环境中已经获得的机器人姿态(或动作)作为源域，将适合未知的复杂环境中的姿态(或动作)作为目标域，在寻找目标域的最优解时，利用源域的知识产生高质量的初始种群，并在此基础上利用任何一种基于种群的多目标优化算法快速地产生出适合复杂环境的机器人姿态(或动作)。本发明可以使用不同的迁移学习算法来进行知识复用，对于任何基于种群的多目标优化算法而言，本发明所提出的算法系统无需修改，即可与其实现有效结合。

技术领域

本发明涉及机器人领域，尤其涉及一种适合多自由度机器人快速适应复杂环境的姿态生成算法框架。

背景技术

姿态优化是机器人学研究领域的一个重要课题。现有的方法大多遵循两种策略来获得多自由度机器人的运动姿态。第一种策略是受生物启发的，其研究动机在于，人和动物的运动模式能够巧妙地将稳定性、环境适应性等诸多因素进行结合，并使能量消耗降到最低。因此，研究者希望借鉴来自于人类或动物的运动姿态形成原理，并将其再现于机器人上。然而，由于人和动物与机器人在运动学和动力学上的显著差异，使得生物运动数据并不能直接应用于机器人。

第二种策略是将姿态优化问题转换为函数优化问题，其中一类方法试图将机器人姿态生成问题归结为求解多个相互冲突的函数的最优解问题，即通过求解多目标优化问题来得到最优姿态。例如，通过最大化运动速度、稳定性、驱动力并同时最小化能量消耗来得到一个性能优异的姿态序列。但是机器人所涉及的优化目标往往较为复杂，以及环境变化等不同因素的影响，其优化目标也会不断发生变化，使得常规的解析方法在很多情况下难以奏效。采用进化算法或者其它基于种群的优化算法来求解相关的多目标优化问题，是一种有前途的解决方案。

然而，现有的基于种群优化的方法在解决优化函数不断变化的问题时，即也就是所谓的动态多目标优化时，往往采用重新初始化参数或重新初始化种群的方式来进行，这些策略没有充分考虑如何利用预先获得的知识，来提高复杂环境下姿态生成的质量和速度。

发明内容

有鉴于现有技术的上述缺陷，本发明的目的是提供一类基于迁移学习的机器人姿态生成算法框架。该框架将迁移学习与基于种群的进化优化方法进行结合，利用预先获得的知识来提高在复杂环境下运动生成的质量和速度，以有限的资源获使得机器人能够快速得到适应新环境或者新任务的姿态或动作。

为实现上述目的，本发明提供了以下方案：

一种适合多自由度机器人的姿态迁移算法框架，所述姿态迁移算法框架的输入包括：源环境和目标环境中的优化函数；所述源环境为已经掌握某种技能或姿态的环境；所述目标环境为需要掌握某种技能或者姿态的环境；在源环境中已经获得的优化姿态种群；所述姿态迁移算法框架的输出为：目标域的最优姿态种群；

所述姿态迁移算法框架执行以下步骤：

步骤1：通过随机采样获得目标环境的姿态种群样本；

步骤2：采用迁移学习方法，将源域的最优姿态种群和目标域中的随机抽样的姿态种群进行比较，由此找到和已经获得的最优姿态最为接近的目标域中的姿态种群；

步骤3：根据步骤2搜索到的目标域种群个体集生成目标环境中的初始姿态种群；

步骤4：根据初始姿态种群，在目标环境中采用进化算法对机器人的姿态进行优化，得到目标域的最优姿态种群。