基于课程的人形机器人识别使用大规模人类运动数据库

科学领域:

• 机器人技术 机器人技术 机器人技术
• 控制系统 控制系统
• 机器学习 机器学习

背景情况:

• 准确的动力学模型对于人形机器人运动控制和规划至关重要.
• 现有的方法面临着不可靠的初始模型和参数识别复杂优化的挑战.
• 用于模型识别的数据采集需要可行的运动和高效的运动设计.

研究的目的:

• 开发一个人形机器人动态模型识别方法,绕过了需要一个好的初始模型.
• 创建一种方法,避免解决运动设计的高度非线性优化问题.
• 为了提高人形机器人动态模型识别的效率和准确性.

主要方法:

• 提出了一个课程学习方法,从不可靠的初始模型逐渐识别动态模型.
• 利用大规模的人类运动数据库,高效地设计人形运动,用于参数识别.
• 通过对18度自由度 (DoF) 模拟的上体人形机器人进行模拟实验来评估该方法.

主要成果:

• 基于课程的方法证明了与随机运动选择相比,更有效地识别人形模型参数.
• 该方法成功获得了各种各样的运动数据,从而实现了高效的参数估计.
• 一个精确的模拟人形机器人的动态模型被成功识别出来.

结论:

• 拟议的课程学习策略有效地解决了初始模型不可靠性和人形机器人动态识别中的复杂优化的挑战.
• 这种方法提供了一种更有效,更实用的方法,可以为人形机器人获得准确的动态模型.
• 这些发现有助于推进人形机器人控制和运动计划的能力.