1965_小型夾持式機械手及手臂設計

1965_小型夾持式機械手及手臂設計,小型,夾持,機械手,手臂,設計 畢業(yè)設計文獻翻譯院 （ 系 ） 名 稱 工 學 院 機 械 系專 業(yè) 名 稱 機 械 設 計 制 造 及 其 自 動 化學 生 姓 名 武 迪學 號 080105505指 導 教 師 楊 漢 嵩2012 年 03 月 10 日黃 河 科 技 學 院 畢 業(yè) 設 計 （ 文 獻 翻 譯 ） 第 1 頁 綜合性應急機器人的運動模式M.M. Svinina,*, K. Yamadab, K. Uedab無機仿生控制研究中心，理化學研究所，森山區(qū)，名古屋 463-0003，日本機械工程，神戶大學，納達區(qū)，神戶 657-8501，日本2001 年 5 月 7 日，2001 年 9 月 17 日本文研究的是穩(wěn)定的步態(tài)運動機器人的出現(xiàn)。一個分類器的系統(tǒng)，正在加強實施學習計劃，步態(tài)機器人是用于八條腿感官機器人的電機控制合成。機器人沒有對環(huán)境的先驗知識和自己的內(nèi)部模型。這僅僅是個假設，機器人能夠獲得通過學習如何達到目標區(qū)域的穩(wěn)定步態(tài)。在學習過程中的控制系統(tǒng)是由鋼筋信號自組織。到達目標區(qū)域。德納一個全球性的獎勵，提出議案得到當?shù)氐莫剟?，而退一步失敗的話卻得到當?shù)靥幜P。隨著學習的進展，在分類器系統(tǒng)的操作規(guī)則的數(shù)量穩(wěn)定在一定水平，相應的步態(tài)模式。根據(jù)仿真和實驗測試所提出的自組織系統(tǒng)的可行性。最小的模擬模型不需要構造復雜的計算方案只用于模擬。仿真數(shù)據(jù)，被下載到真正的機器人控制系統(tǒng)，來發(fā)展最小的機器人模型?？傮w而言，10 個模擬數(shù)據(jù)成功運行了 7 個真正的機器人。 Elsevier 科學有限公司保留所有權利。1. 分類器系統(tǒng)我們的方法是用機器人控制系統(tǒng)進行建模,由一個分類器系統(tǒng)輸出控制命令回應一個感官輸入。在分類器系統(tǒng)中，實際觀測空間和行動傳感器操作規(guī)則確定的狀態(tài)空間映射到確定的行為。該傳感器狀態(tài)空間的發(fā)展，作為學習進步,其結構是自組織 (圖 2)。分類器系統(tǒng)的結構類似于威爾遜提出的最基本的一個系統(tǒng)結構[28] 。本質(zhì)上的區(qū)別在于建立它的連續(xù)狀態(tài)與動作空間。1.1 運動規(guī)則讓 ns 作為傳感器的數(shù)量和 x={ x1，…，x n }T 作為機器人的感官輸入。應該系統(tǒng)是一套操作準則，R. 準則 r∈ R 定義如下:r;=, V={ v1，…， vns }T 是狀態(tài)向量與記憶的準則，W={w 1,…, wns}T 是權重向量，u 是準則的效用，a 是準則 r 相應的操作活動。實用 u 實在學習過程中的一個實數(shù)表示的相對值。它沒有任何直接的物理意義，并只可能與相關準則的力量和內(nèi)部能量相聯(lián)系。該實用程序可能具有生物學意義，因黃 河 科 技 學 院 畢 業(yè) 設 計 （ 文 獻 翻 譯 ） 第 2 頁 為它是從準則的父繼承和稍后的進化過程中改變的。在某種意義上，如果 V 匹配當前的感管輸入 X，準則 r 變得活躍,能激發(fā)其作用。權重向量 W 是用來比較 V 和 X 的。w i∈[0,1]是荷蘭的‘不在意’符號的連續(xù)模擬。當wi 接近于零是，第 i 個傳感器測量就不那么重要了。其中 W=0 是所謂的無限期準則。在目前的狀態(tài) X 下無論任何地方的機器人都可以被激活。所有其他的準則都是明確的。他們可以被附近的 V 激活，使用重量 W 定義在其附近。準則的特異性：作為衡量明確的準則。其中 λ是時間依賴的尺度參數(shù)。當 λ接近 1 時，準則規(guī)定的行為會有更多的反應。另一方面，隨著 λ 越接近 0，行為便變得更加積極主動（即會有更多不受限制地在探索環(huán)境的方式）。其實，在我們的實現(xiàn)，這是不夠的，僅僅保留一個模糊期準則。R 中的所有其他準則都是明確的。開始 R 是由最初實用 u0 模糊準則分配的。隨著學習的進步，R，n r 的總數(shù)通過復制和廢止而變化。1.2 運動選擇在 R 中與對方進行權利競爭會引發(fā)他們的運動。對于所有 rj∈R 的準則，目前感官狀態(tài) X 和準則的狀態(tài)向量 Vj 之間的加權距離定義為：其中，d k 是隨時間變化的縮放參數(shù)，它被定義為在學習過程中觀察到的第 k 個傳感器的最高和最低值之間的最大區(qū)別。 接下來，我們定義匹配率：其中，T m 是一個常數(shù)。注意的是即使沒有明確的準則匹配的感官輸入 X，模糊的準則也總是起作用。事實上，不管是否遇到狀態(tài)X，W=0 和 m=1 總是匹配。這使得模糊準則可能的候補得以被選擇。這在學習過程的開始特別重要，模糊準則往往認為是新準則的執(zhí)行和新準則生成的重要因素。也要注意，當模糊準則被執(zhí)行，與此活動相關的準則按照[a min，a max]均勻分布隨機生成。成功的準則是按照概率加權的方法給出了的玻爾茲曼分布:參數(shù) T 的溫度含義是保持設置的狀態(tài)空間開發(fā)和探索之間的平衡。1.3 信貸分配公用事業(yè)的準則是每次更新后，優(yōu)勝者將執(zhí)行其活動。實用調(diào)整機制包括以下幾個部分。直接收益分配。直接收益分配 P 是只在特定狀態(tài)下給予優(yōu)勝者的準則。其中有黃 河 科 技 學 院 畢 業(yè) 設 計 （ 文 獻 翻 譯 ） 第 3 頁 兩種類型：回報（P>0 ）和懲罰（P<0 ）?；貓笫茄刂?guī)則的順序傳播，從而引發(fā)他們的活動折扣率 γ（即當前和以前的優(yōu)勝者）：其中 N 是優(yōu)勝者鏈的深度，0<γ<1。這相當于分享利潤盈利的策略在隨著時間逐漸貼進一步向后倒退。在這里，r w（1 ）是 rw的父類，而 rw（2 ）又是 rw（1）的父類，以此類推。桶橋策略。當前的優(yōu)勝者 rw 交其用途的一部分，Δu ，恢復到以前的優(yōu)勝者，rw：要注意的是準則 rw（ 1）增加了其效用。然而，我們沒有減少的規(guī)則 rw 實用性，這是我們的戰(zhàn)略和傳統(tǒng)之間的主要區(qū)別。如果觸發(fā)的動作只由數(shù)量有限的準則（R 的子集）和他們遞交 ΔU到另一個準則決定，那么每個準則的效用有望逐步收斂到這些規(guī)則之間的最高效用。因此，行動準則，以這種方式進行合作，可以存活一段時間，這期間的回報是很少的。這可以根據(jù)自組織的準則尋找一個最終的獎賞。征稅。每當一個明確的準則 rw 觸發(fā)其活動，其效用被更新為：準則 rw 激活率 cf 比照支付的成本，以防止死鎖或循環(huán)的行為。在某種意義上說，準則是征稅的執(zhí)行權。需要注意的是模糊準則是免稅的，因為它的主要功能是生成新的規(guī)則。蒸發(fā)。當機器人到達目標狀態(tài)時，所有的規(guī)則都減少他們實用蒸發(fā)率 η<1：從某種意義上講，它所對應的是‘通貨膨脹’。其效用低于閾值以下的規(guī)則將被刪除。1.4 復制在選擇優(yōu)勝者規(guī)則 rw 的時候，我們執(zhí)行與此規(guī)則相關的行動 aw。接下來的事情就是我們應該關心行動之后的執(zhí)行以及效用的調(diào)整，這個過程就是復制過程。在我們的系統(tǒng)中，除了 rw 觸發(fā)的行動導致倒退或者崩潰這種情況，優(yōu)勝者規(guī)則 rw 總是生成一個新規(guī)則 rc(孩子規(guī)則 )。復制過程的詳細信息形式化如下。如果優(yōu)勝者是模糊規(guī)則，復制的規(guī)則參數(shù)就設置為：vic=xi，w ic=1，i=1 ，…， ns。我們稱之為‘經(jīng)驗記憶’。效用的新規(guī)則，其作用的代碼是通過父類實現(xiàn)的：ac=aw，u c=uw。另一方面，如果優(yōu)勝者是一個明確規(guī)則，我們試圖‘推廣經(jīng)驗’，那么新產(chǎn)生的規(guī)則是廣義的。要注意的是，即使其匹配率 mw<1，具有較高的實用 uw 的規(guī)則 rw 也可以在競爭中取勝。在我們的系統(tǒng)中，優(yōu)勝者再次提供的一個通用的規(guī)則 rc 的匹配率 mw，是在某一確定的閾值 θ r，i.e,mw< θr 范圍內(nèi)。下面的表達式是與 θ r 有關的實用規(guī)則 uw 的表達黃 河 科 技 學 院 畢 業(yè) 設 計 （ 文 獻 翻 譯 ） 第 4 頁 式：θ r=exp（-Truw）。其中 Tr 是個常量。言下之意是，具有較高匹配率但實用性低的規(guī)則，我們允許其通過復制障礙，反之亦然。Vc 和 Wc 為廣義新規(guī)則載體的設置如下：v ic=xi，w ic=1-|xi-vic|\di,i=1,…,ns.為新的廣義規(guī)則的代碼實用性和靈活性設置為:a c=aw，u c=λ cuw。要注意的是，上述形成的新的廣義規(guī)則可以和一個更加寬廣的狀態(tài)空間相匹配，其中包括其父類的狀態(tài)。2. 模擬實驗與測試結果首先，學習步驟的可行性需要用模擬實驗來檢驗。如果機器人到達目標區(qū)域，或者產(chǎn)生的行動步驟超過500，程序就會更新一次。參數(shù)設置如下：全局獎勵P=5，本地獎勵P=5，對應行為的懲罰 P=-5%, u0=10, umin=9.5, cf=0.015, γ=0.8, к =0.1, η=0.98, T=3, Tm=100, Tr=0.5。10次模擬實驗連續(xù)進行，每一次的動作都會進化。模擬的不同僅在于初始生成的隨機數(shù)量。圖10中顯示了機器人第6次和第9次的運動軌跡。兩次都到達了目標區(qū)域。注意即使在成功案例中，機器人也沒有使用最短路徑。實際上，前進方向的數(shù)據(jù)并沒有放進傳感器的學習步驟里。因此，選擇不同的前進方向，并沒有對應的懲罰或者獎勵操作。另外一點，盡管機器人并不是直線到達目標區(qū)域，但腿部的運動模式一直很穩(wěn)定。圖11中展示了學習過程的動態(tài)曲線。記錄了到達目標區(qū)域，所經(jīng)歷的懲罰，獎勵以及必須步驟的數(shù)目。圖表中，機器人得到的全局獎勵由向下的箭頭標示。很顯然，隨著學習過程的進展，懲罰的次數(shù)逐漸減少。黃 河 科 技 學 院 畢 業(yè) 設 計 （ 文 獻 翻 譯 ） 第 5 頁 圖 11. 學習記錄圖 12 展示了規(guī)則的總數(shù)，固定規(guī)則的數(shù)量，以及生成規(guī)則的數(shù)量。分別以點連線，細線，粗線表示。黃 河 科 技 學 院 畢 業(yè) 設 計 （ 文 獻 翻 譯 ） 第 6 頁 圖 12. 規(guī)則的生成學習的動態(tài)過程展示了規(guī)則的總數(shù)，和到達目標區(qū)域的必須步驟的數(shù)量之間，有相應的關系。也就是說，總數(shù)減少之后，必須步驟也隨即減少。并且，懲罰的數(shù)量和新生成規(guī)則的數(shù)量之間，也有相應的聯(lián)系。這就間接說明，不定規(guī)則的探索能力，逐漸可以歸納為有效固定規(guī)則的開發(fā)功能。實際上，僅有少量的固定規(guī)則才能產(chǎn)生“有用”的行為來引發(fā)機器人的動作，并且增強這些動作的實用性。同時， “不相關” 規(guī)則的實用性逐漸降低，并且最終消失。因此，一段時間過后，剩余的規(guī)則就能發(fā)揮主導作用。到達目標的必須步驟在第 35 節(jié)之后，開始變得穩(wěn)定。這是因為機器人掌握了一定的行為規(guī)則。圖 13 中展示了機器人第 90 次的腿部動作記錄。黃 河 科 技 學 院 畢 業(yè) 設 計 （ 文 獻 翻 譯 ） 第 7 頁 圖 13. 腿部動作模擬環(huán)境下，控制裝置生成新行為的能力不斷進化，現(xiàn)在也能夠在試驗中得到驗證。模擬數(shù)據(jù)（第 90 次以后的規(guī)則）被下載到機器人 OCT1-b 的控制系統(tǒng)中，會執(zhí)行一次實驗動作。在這次實驗動作中，機器人被相同的分類系統(tǒng)所控制。整體來說，控制真實機器人的 10 次模擬數(shù)據(jù)中，有 7 次是成功的。為了說明實驗結果，我們選擇了一次成功的數(shù)據(jù)和一次不成功的實驗行為數(shù)據(jù)。機器人在第 6 次和第 9 次模擬實驗中的行為見圖 14。在模擬試驗中進化出的直線前進的動作與不完美的模擬數(shù)據(jù)相比，并不健壯。這給了我們引出了另一個問題，就是修正模型中的噪點，并且在存在干擾因素的環(huán)境下，進化機器人的控制系統(tǒng)。黃 河 科 技 學 院 畢 業(yè) 設 計 （ 文 獻 翻 譯 ） 第 8 頁 圖 14. 真實機器人行為圖 15 展示了實驗階段里機器人的步伐（腿部動作的角度） 。所有的測試中，即使是失敗案例，機器人都在嘗試跟隨模擬實驗里的運動模式。某種意義上來說，動作步驟所組成的行為模式，可以看作是機器人控制系統(tǒng)中基因的組成“材料” 。黃 河 科 技 學 院 畢 業(yè) 設 計 （ 文 獻 翻 譯 ） 第 9 頁 圖 15. 腿部動作記錄3 總結出現(xiàn)在運動機器人的穩(wěn)定步態(tài)研究在這個文件。一個分類器系統(tǒng)，實施實例基于強化學習計劃，用于感官八條腿的移動機器人的電機控制。機器人沒有先驗知識的環(huán)境，其自己的內(nèi)部模型，和目標坐標。這只是假設機器人可以通過學習獲得穩(wěn)定的步態(tài)如何達到目標區(qū)。在學習過程中的加固信號控制系統(tǒng)是自組織。達到光源德納一個全球性的獎勵。向前議案獲得當?shù)氐莫剟?，同時加強和下降沿下得到當?shù)氐膽土P?？刂菩袆?。如學習進步，在數(shù)量上的行動規(guī)則分類器系統(tǒng)穩(wěn)定到一定程度。因此，運動模式全球行為（穩(wěn)定步態(tài)）出現(xiàn)，作為規(guī)則分類器系統(tǒng)的自我學習期間舉辦的過程。提出系統(tǒng)的可行性進行測試下仿真和實驗。虛擬船模型建造和使用不斷變化的機器人控制器在模擬環(huán)境下。驗證模型。黃 河 科 技 學 院 畢 業(yè) 設 計 （ 文 獻 翻 譯 ） 第 10 頁 本文所提出的結果我們初步運動模式的新興合成研究運動機器人。因此，有足夠的空間 在未來應解決的關鍵點 例如，最小的模型似乎工作以及簡單導航任務，但其性能尚未測試更復雜的行為。接下來，分類器系統(tǒng)，我們作為一個學習.引擎有許多參數(shù)調(diào)整到最佳值。此外，我們并沒有使用正規(guī)系統(tǒng)的程序，以評估性能因為這是一個不平凡的問題。在這方面，工作[31]的結果可能會提供一些有價值的見解。談到的框架，進一步發(fā)展最小的仿真模型，我們認為計算簡單最小的機型應該是成反比，控制對象的復雜性成正比?？紤]隨著時間的簡單性和復雜性變化依靠數(shù)量上的學習經(jīng)驗，正常模式也可以被視為在一個可進化的方式。 “進化的組件將允許關閉控制循環(huán)和減少學習控制器之間的差距。正在使用該模型。從這個角度來看，它會有趣的建立和利用之間的二元（行動狀態(tài)的映射）模型和控制器（狀態(tài)到動作映射）在開發(fā)協(xié)同進化場景。這里的關鍵問題是在之間的關系真實的評價和自我評價。在為了得到一些如何真正評價的頻率基本的了解下，發(fā)展個人計算時間，我們計劃探測相對簡單的一維或二維的問題控制任務。