基于改进动态系统稳定估计器的机器人技能学习方法

提出一种基于改进动态系统稳定估计器的机器人技能学习方法.现有的动态系统稳定估计器方法可以通过非线性优化来确保学习系统的全局稳定性,但是存在确定高斯混合分量个数困难以及稳定性和精度无法兼顾的问题.因此,根据贝叶斯非参数模型可以自动确定合适分量个数的特性,采用狄利克雷过程高斯混合模型对演示进行初始拟合.随后利用参数化二次李雅普诺夫函数重新推导新的稳定性约束,有效地解决了动态系统稳定估计器方法中稳定性和精度难以兼顾的问题.最后,在LASA数据库和Franka-panda机器人上的实验验证了新方法的有效性和优越性....

Full description

Saved in:
Bibliographic Details
Published in自动化学报 Vol. 48; no. 7; pp. 1771 - 1781
Main Authors 金聪聪, 刘安东, LIU Steven, 张文安
Format Journal Article
LanguageChinese
Published 浙江工业大学信息工程学院 杭州310023中国%德国凯泽斯劳滕工业大学电气与计算机工程系 凯泽斯劳滕67663德国 01.07.2022
Subjects
高斯混合模型
李雅普诺夫函数
贝叶斯非参数模型
示教学习
动态系统
Online AccessGet full text
ISSN0254-4156
DOI10.16383/j.aas.c200341

Cover

More Information
Summary:提出一种基于改进动态系统稳定估计器的机器人技能学习方法.现有的动态系统稳定估计器方法可以通过非线性优化来确保学习系统的全局稳定性,但是存在确定高斯混合分量个数困难以及稳定性和精度无法兼顾的问题.因此,根据贝叶斯非参数模型可以自动确定合适分量个数的特性,采用狄利克雷过程高斯混合模型对演示进行初始拟合.随后利用参数化二次李雅普诺夫函数重新推导新的稳定性约束,有效地解决了动态系统稳定估计器方法中稳定性和精度难以兼顾的问题.最后,在LASA数据库和Franka-panda机器人上的实验验证了新方法的有效性和优越性.
ISSN:0254-4156
DOI:10.16383/j.aas.c200341