基于表面肌电信号的人体运动意图识别方法研究

提出了基于表面肌电信号进行人体运动意图识别的新方法。该方法将智能发育思想结合其中,分为离线知识库建立和在线知识库检索两个过程。首先,进行离线训练,建立IHDR(Incremental Hierarchical Discriminant Regression)知识库。采集人体表面肌电信号,对肌电信号进行小波分解,将各层小波系数的方差作为每个通道信号的特征;然后,将每个通道的特征作为输入,人体运动行为作为输出,离线建立基于智能发育思想的IHDR知识库。人体运动意图识别的过程即知识库的检索运用过程,通过每个通道的特征来在线检索IHDR知识库,搜索到合适的节点即为运动意图。实验表明,基于智能发育思想的人体运动意图识别方法可以达到满意的识别率。

动态环境下移动机器人自主规划方法研究

动态环境下的自主规划方法是移动机器人研究的重要方向之一。如何将机器人自身的本体（动力学）能力、以及周边动态环境作为优化行为产生的约束，并提高优化过程的实时性，是目前有待深入研究的主要问题。针对这两方面问题，本文提出了三种新的自主规划方法，旨在逐步实现在具有本体动力学和动态环境约束情况下的优化算法实时性与最优性的统一。 首先，针对基于进化计算（EA）方法解决动态路径规划问题中的实时性问题以及人工势场（AP）法的优化和局部极小问题，提出了用AP引导EA的搜索方法（APEA）。该方法把人工势场与EA搜索相结合，在传统EA中加入势场作为引导，使搜索沿着势场方向进行，从而得到一条相对于搜索区域的次优轨迹。APEA方法借鉴了AP的快速性和EA的优化性，改善了单纯EA法盲目搜索的缺陷，提高了收敛率和实时性。通过仿真对APEA和单纯EA两种搜索方法的性能进行了比较，结果表明APEA方法在处理动态多障碍物问题时相对单纯EA方法具有实时、高效、收敛的特点，同时在很大程度上解决了单纯AP方法在解决多障碍物问题时的局部极小问题。 其次，为弥补APEA方法的次最优性以及进一步提高算法的实时性，本文提出了相对速度坐标系下基于混合整数线性规划（MILP）的最优轨迹产生方法。在相对速度坐标系下，把动态环境下机器人路径规划这一非线性问题，描述成满足一组线性约束同时使目标函数极小的线性规划问题，嵌入基于MILP的规划器，从而得到一条满足性能要求的最优路径。仿真结果验证了算法的实用性及有效性，与势场引导进化计算方法相比较表明，该方法的优化程度更高、实时性更好。 第三，基于认知仿生的研究成果，将人基于知识经验的优化决策机制引入到机器人的轨迹规划中来，提出了基于离线训练知识库、在线智能发育以及利用知识引导优化的移动机器人自主智能发育方法。给出了复杂环境下移动机器人路径规划问题的自主智能发育模型。介绍了基于递增分层判别回归（IHDR）知识表达、存储、积累、更新机制，以及用于轨迹规划问题时的离线训练、在线知识更新以及知识检索过程，同时提出了性能评价指标，从而形成一套完整的面向轨迹规划的自主智能发育机制。对于一个新的机器人本体，通过对其路径规划技能的离线训练，使这种知识存储于IHDR内，从而产生一定的自主路径规划能力。当机器人需要完成某种规划任务时，根据外部环境以及自身状态的不同，在其内部知识库中检索到最匹配的状态，与之对应的行为作为被选行为，通过一定的评价指标进行评价：若达到一定的满意度，机器人即采用该行为；若不能达到评价指标的要求，则需要通过重新学习，对知识库进行更新补充，以达到对新情况的很好应对。 最后，利用上述自主智能发育模型从直接规划和间接规划两方面对动态环境中移动机器人的路径规划问题进行研究，并对于不同的规划目的提出了不同的自主规划模型和评价机制。所谓直接规划是指利用知识库检索直接得出机器人的具体行为，作为规划结果指导机器人前进；间接规划则是将检索结果作为一种优化指导，从而减小最优规划算法（如进化算法、线性规划等方法）的搜索空间，降低计算量，从而达到在线计算的目的。仿真结果验证了两种方法的有效性，并说明了这种自主智能发育模型具有很强的自适应、自学习能力。

智能发育方法研究及其在机器人行为规划问题中的应用

优化问题是机器人在动态非结构环境下进行决策的关键问题之一。但是，优化算法通常具有较高的计算时间复杂度，尤其是在包括多种动力学约束的情况下，这限制了其在实时系统中的应用。受到人类智能发育过程及最新神经科学研究发现的启示，本文提出一种基于智能发育机制的场景驱动控制结构，对人的知识积累和应用知识的过程进行模拟，研究了与该控制结构相关的关键技术，包括智能发育算法、在线训练、知识的积累和检索方法等，并将这种控制结构应用于机械臂和机器人跟踪动态目标的行为优化问题之中。 首先，分析了现有人工智能方法在解决实时决策问题上的不足之处，提出用于解决机器人系统进行实时决策的基于智能发育机制的场景驱动控制结构（MDCDCA）。不同于通常的基于模型的控制，该控制结构通过在知识库中检索当前的状态，找到最相近的知识作为决策结果。如果检索出的知识不满足规定的判据条件，将激活常规的优化算法，优化结果同时作为在线训练数据对知识库进行训练。这种控制结构不同于通常的离线训练方法，它可以从空白的知识库开始，在线发育知识。 其次，研究了MDCDCA控制结构的核心部分：智能发育模块。提出采用增强分级判别回归算法（IHDR）作为智能发育引擎。IHDR能够有效地实现从状态空间（Ｘ）到行为空间（Y）的映射。研究了IHDR涉及的相关技术，如：X和Y 空间的定义方法，知识的存储、积累、更新、以及检索等。根据其不足之处，介绍了改进的IHDR算法，以提高其实时性和健壮性。 第三，研究了将MDCDCA控制结构应用于7自由度机械臂动态目标跟踪，并将遗传算法作为MDCDCA的在线训练引擎。不同于最短时间规划，提出将施加在每个关节的力矩与其最大力矩的比值作为遗传进化过程的评价函数。因此，优化结果产生一个“最小疼痛感”轨迹。这类似于人手臂的运动轨迹，更加适合于像服务机器人这种与人相互协作的机器人系统。仿真结果表明了经过遗传算法训练的MDCDCA可以有效地完成轨迹规划任务，并满足系统的实时性要求。 最后，将在线遗传算法训练的MDCDCA方法应用于移动机器人在三维动态空间的路径规划，该问题单纯采用遗传算法在实时性上难以得到保证，仿真及对比结果表明所提出方法的实时特性，也表明所提出方法可用于具有类似特性的实时系统。