Статистическое обучение траекториям роботизированных демонстраций на основе многофакторной сегментации и согласования нескольких показов (HSMM)

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Статистическое обучение траекториям роботизированных демонстраций на основе многофакторной сегментации и согласования нескольких показов (HSMM) ориентировано на решение комплексных задач человеко-машинного взаимодействия и интеллектуального производства. Основная цель исследования работы заключается в автоматическом выявлении обобщенной структуры ключевых участков из нескольких роботизированных демонстраций при отсутствии априорной разметки данных, а также в построении статистических и параметрических моделей для универсального воспроизведения траектории в разнообразных задачах и условиях. Для достижения этой цели сформулированы задачи исследования, включающие многопризнаковую сегментацию (скорость, кривизна, ускорение, изменение направления), выравнивание траекторий с помощью скрытой полумарковской модели и последующую реализацию статистических представлений (ProMP, GMM/GMR, DMP). Предлагаемая методика позволяет сначала осуществлять сглаживание исходных данных и выявление ключевых точек путем их топологического упрощения и подавления немаксимальных значений, а затем, используя HSMM, обеспечивать согласованное разбиение нескольких демонстраций на характерные сегменты. Проведенные эксперименты подтверждают, что полученные результаты позволяют достигать низкой ошибки восстановления при одновременном повышении степени сжатия данных и сохранении важных действий, что свидетельствует о высокой эффективности предлагаемого подхода. Наконец, анализируя новизну и практическую значимость работы, можно отметить возможность применения данного решения в промышленном контексте (сварка, окраска и т.д.), а также перспективы расширения метода на более динамичные и нестационарные сценарии, где требуется адаптивное и статистически обоснованное планирование траектории.

Полный текст

Доступ закрыт

Об авторах

Тяньцы Гао

Московский государственный технический университет имени Н.Э. Баумана

Автор, ответственный за переписку.
Email: Gaotianci0088@gmail.com
ORCID iD: 0009-0003-1359-2180
SPIN-код: 4254-9225
Scopus Author ID: 59144647300

аспирант кафедры ИУ1 «Системы автоматического управления»

Россия, Москва

Дмитрий Дмитриевич Дмитриев

Московский государственный технический университет имени Н.Э. Баумана

Email: dddbmstu@gmail.com
SPIN-код: 2264-1653

кандидат технических наук, доцент кафедры ИУ1 «Системы автоматического управления»

Россия, Москва

Константин Авенирович Неусыпин

Московский государственный технический университет имени Н.Э. Баумана

Email: neysipin@mail.ru
ORCID iD: 0000-0001-6703-6735
SPIN-код: 2860-1736
Scopus Author ID: 6602995907

доктор технических наук, профессор кафедры ИУ1 «Системы автоматического управления»

Россия, Москва

Список литературы

  1. Savitsky A., Golay M.J.E. Smoothing and differentiation of data by simplified least squares methods. Analytical Chemistry. 1964. Vol. 36. No. 8. Pp. 1627–1639. doi: 10.1021/ac60214a047.
  2. Cohen-Steiner D., Edelsbrunner H., Harer J. Stability of persistence diagrams. In: Proceedings of the Twenty-First Annual Symposium on Computational Geometry. ACM, 2005. Pp. 263–271. doi: 10.1145/1064092.1064133.
  3. Liu C., Ren B., Fu D., Li M. A GNSS composite interference recognition method based on YOLOv5. In: IEEE 6th International Conference on Civil Aviation Safety and Information Technology (ICCASIT). IEEE, 2024. Pp. 1157–1162. doi: 10.1109/ICCASIT62299.2024.10828065.
  4. Liu T., Zhu K., Zeng L. Diagnosis and prognosis of degradation process via hidden semi-Markov model. IEEE/ASME Transactions on Mechatronics. 2018. Vol. 23. No. 3. Pp. 1456–1466. doi: 10.1109/TMECH.2018.2823320.
  5. Osa T., Pajarinen J., Neumann G. et al. An algorithmic perspective on imitation learning. Foundations and Trends® in Robotics. 2018. Vol. 7. No. 1–2. Pp. 1–179. doi: 10.1561/2300000053.
  6. Calinon S. Gaussians on Riemannian manifolds: Applications for robot learning and adaptive control. IEEE Robotics & Automation Magazine. 2020. Vol. 27. No. 2. Pp. 33–45. doi: 10.1109/MRA.2020.2980548.
  7. Xie J., Yan H., Wang J., Li J., Chen B. Unsupervised approach for multi-modality telerobotic trajectory segmentation. IEEE Internet of Things Journal. 2024. doi: 10.1109/JIOT.2024.3412134.
  8. Yu L., Bai S. A modified dynamic movement primitive algorithm for adaptive gait control of a lower limb exoskeleton. IEEE Transactions on Human-Machine Systems. 2024. doi: 10.1109/THMS.2024.3458905.
  9. Kulak T., Girgin H., Odobez J.M. et al. Active learning of Bayesian probabilistic movement primitives. IEEE Robotics and Automation Letters. 2021. Vol. 6. No. 2. Pp. 2163–2170. doi: 10.1109/LRA.2021.3060414.
  10. Sung H.G. Gaussian mixture regression and classification. Abstract of dis. ... of Dr. Sci. (Philos.). Rice University, 2004.
  11. Mandlekar A., Zhu Y., Garg A. et al. Roboturk: A crowdsourcing platform for robotic skill learning through imitation. In: Conference on Robot Learning. PMLR, 2018. Pp. 879–893.
  12. Paraschos A., Daniel C., Peters J.R. et al. Probabilistic movement primitives. In: Advances in Neural Information Processing Systems. 2013. P. 26.
  13. Vemuri N., Thaneeru N. Enhancing human-robot collaboration in Industry 4.0 with AI-driven HRI. Power System Technology. 2023. Vol. 47. No. 4. Pp. 341–358. doi: 10.52783/pst.196.
  14. Bishop C.M., Nasrabadi N.M. Pattern recognition and machine learning. New York: Springer, 2006.
  15. Zhang T., Mo H. Reinforcement learning for robot research: A comprehensive review and open issues. International Journal of Advanced Robotic Systems. 2021. Vol. 18. No. 3. doi: 10.1177/17298814211007305.
  16. Li G., Jin Z., Volpp M. et al. ProDMP: A unified perspective on dynamic and probabilistic movement primitives. IEEE Robotics and Automation Letters. 2023. Vol. 8. No. 4. Pp. 2325–2332. doi: 10.1109/LRA.2023.3248443.
  17. Wong C.C., Vong C.M. Persistent homology-based graph convolution network for fine-grained 3D shape segmentation. In: Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021. Pp. 7098–7107. doi: 10.1109/ACCESS.2022.3218653.
  18. Lu Y., Jiang B., Liu N. et al. CrossPrune: Cooperative pruning for camera – LiDAR fused perception models of autonomous driving. Knowledge-Based Systems. 2024. Vol. 289. Art. 111522. doi: 10.1016/j.knosys.2024.111522.
  19. Neubeck A, Van Gool L. Efficient non-maximum suppression. In: 18th International Conference on Pattern Recognition (ICPR’06). IEEE, 2006. Vol. 3. Pp. 850–855. doi: 10.1109/ICPR.2006.479.
  20. Gervet T., Xian Z., Gkanatsios N. et al. Act3D: 3D feature field transformers for multi-task robotic manipulation. In: 7th Annual Conference on Robot Learning, 2023.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Общая структура предлагаемого метода

Скачать (332KB)
Метаданные
3. Рис. 2. Исходный сигнал и обнаруженные локальные экстремумы

Скачать (177KB)
Метаданные
4. Рис. 3. Зависимость числа экстремальных точек от порога постоянства

Скачать (199KB)
Метаданные
5. Рис. 4. Сравнение экстремальных точек до и после упрощения

Скачать (202KB)
Метаданные
6. Рис. 5. Примерное распределение нескольких демонстрационных траекторий в 3D-пространстве (а) и результаты извлечения нескольких признаков из одной демонстрационной траектории (b)

Скачать (499KB)
Метаданные
7. Рис. 6. Результат выделения ключевых точек на одиночной траектории (кривая – исходные данные, точки – ключевые узлы). Отдельно показаны проекции на плоскости XY, XZ и YZ

Скачать (638KB)
Метаданные
8. Рис. 7. Сопоставление исходной и восстановленной траекторий

Скачать (653KB)
Метаданные
9. Рис. 8. Результаты согласованного выравнивания нескольких демонстраций методом HSMM и статистического объединения (тонкие линии – исходные траектории, толстая – усредненная). В правом нижнем углу приведен увеличенный фрагмент для детального сравнения

Скачать (657KB)
Метаданные