按摩机器人优化示教策略及BPNN-DMPs轨迹学习模型

doi:10.12141/j.issn.1000-565X.230027

华南理工大学学报(自然科学版) ›› 2023, Vol. 51 ›› Issue (12): 1-8.doi: 10.12141/j.issn.1000-565X.230027

所属专题： 2023年机械工程

按摩机器人优化示教策略及BPNN-DMPs轨迹学习模型

翟敬梅路东伟

华南理工大学机械与汽车工程学院，广东广州 510640

收稿日期:2023-01-20 出版日期:2023-12-25 发布日期:2023-04-24
作者简介:翟敬梅（1967-），女，博士，教授，主要从事机电装备信息化处理与人工智能研究。E-mail： mejmzhai@scut.edu.cn
基金资助:
广东省自然科学基金资助项目(2023A1515010682)

Research on Optimized Teaching Strategy and BPNN-DMPs Trajectory Learning Model of Massage Robot

ZHAI Jingmei LU Dongwei

School of Mechanical and Automotive Engineering，South China University of Technology，Guangzhou 510640，Guangdong，China

Received:2023-01-20 Online:2023-12-25 Published:2023-04-24
About author:翟敬梅（1967-），女，博士，教授，主要从事机电装备信息化处理与人工智能研究。E-mail： mejmzhai@scut.edu.cn
Supported by:
the Natural Science Foundation of Guangdong Province(2023A1515010682)

摘要/Abstract

摘要：

针对按摩机器人作业对象面貌个性化差异，引用动态运动基元（DMPs）模型泛化位姿轨迹和力轨迹。为提高DMPs学习精度，提出了优化示教策略，基于按摩区域Mediapipe特征点计算作业对象间相似度，以此优选学习对象；其次，引入高斯混合回归，算法综合多次按摩信息以加强学习能力；最后，构建反向传播神经网络（BPNN）模型拟合DMPs算法的强迫项，从根本上改变了原本模型的局限性。实验表明，不增加运行时间下的BPNN-DMPs模型与DMPs、MDMPs和SADMPs算法相比，位置和姿态平均误差分别减少44.1%和54.5%、44.1%和54.5%、29.7%和46.4%。高斯混合回归能够综合多轨迹规律，优化示教策略实施效果显著，与未做优选对象相比，面部实验中的位置和姿态平均误差降低了52.3%和70.2%，标准差降低了46.3%和71.1%；背部实验中的位置、姿态和力平均误差降低了27.7%、66.7%和24.1%，标准差降低了25.7%、54.4%和44.1%。

关键词: 按摩机器人, 动态运动基元, 优化示教策略, 特征匹配, 高斯混合回归, 反向传播神经网络

Abstract:

For the individual difference of faces which are the operation object of massage robot, the dynamic motion primitives (DMPs) model was used to generalize the posture trajectory and force trajectory. Firstly, in order to improve the learning accuracy of DMPs, the study proposed an optimized teaching strategy. Based on the Mediapipe feature points in the massage area, the similarity between the operating objects was calculated to optimize the learning objects. Secondly, Gaussian mixture regression (GMR) was introduced, and the algorithm integrated multiple massage information to enhance learning ability. Finally, a back-propagation neural network (BPNN) model was constructed to fit the forced term of DMPs algorithm, which fundamentally changes the limitations of the original model. The experiment shows that the average errors of position and attitude of BPNN-DMPs model are reduced by 44.1% and 54.5%, 44.1% and 54.5%, 29.7% and 46.4% respectively, compared with DMPs, MDMPs and SADMPs algorithms without increasing the running time. Gaussian mixture regression can integrate multiple trajectory patterns and the implementation effect of the optimized teaching strategy is significant. Compared with the non-optimized object, the average errors of the position and posture of the face experiment are reduced by 52.3% and 70.2%, and the standard deviation is reduced by 46.3% and 71.1%. The average errors of position, posture and force in the back experiment decrease by 27.7%, 66.7% and 24.1%, and the standard deviation decreases by 25.7%, 54.4% and 44.1%.

Key words: massage robot, dynamic motion primitives, optimized teaching strategy, feature matching, Gaussian mixture re-gression, back-propagation neural network

中图分类号:

TP13

翟敬梅, 路东伟. 按摩机器人优化示教策略及BPNN-DMPs轨迹学习模型[J]. 华南理工大学学报(自然科学版), 2023, 51(12): 1-8.

ZHAI Jingmei, LU Dongwei. Research on Optimized Teaching Strategy and BPNN-DMPs Trajectory Learning Model of Massage Robot[J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(12): 1-8.

图/表 11

图1

图2

图3

图4

表1

图5

图6

表2

图7

表3

图8

参考文献 15

1	CHEN H， WU X， WEI F，et al ．Design and path planning of massagebot：one massaging robot climbing along the acupuncture points［C］∥Proceedings of 2016 IEEE International Conference on Information and Automation （ICIA）．Ningbo：IEEE，2017：969-973.
2	YANG C， CHEN C， HE W，et al ．Robot learning system based on adaptive neural control and dynamic movement primitives［J］．IEEE Transactions on Neural Networks and Learning Systems，2019，30（3）：777-787.
3	MATSUBARA T， HYON S H， MORIMOTO J ．Learning parametric dynamic movement primitives from multiple demonstrations［J］．Neural Networks the Official Journal of the International Neural Network Society，2011，24（5）：493-500.
4	ABU-DAKKA F J， NEMEC B， JIMMY A，et al ．Adaptation of manipulation skills in physical contact with the environment to reference force profiles［J］．Autonomous Robots，2015，39（2）：199-217.
5	WANG R， WU Y， CHAN W L，et al ．Dynamic movement primitives plus：for enhanced reproduction quality and efficient trajectory modification using truncated kernels and Local Biases［C］∥Proceedings of IEEE/RSJ International Conference on Intelligent Robots & Systems．Daejeon：IEEE，2016：3765-3771.
6	PARK D H， HOFFMANN H， PASTOR P，et al ．Movement reproduction and obstacle avoidance with dynamic movement primitives and potential fields［C］∥Proceedings of Humanoids 2008-8th IEEE-RAS International Conference on Humanoid Robots. Daejeon：IEEE，2008：91-98.
7	YUE Z， RONG X， FANG L，et al ．Generating a style-adaptive trajectory from multiple demonstrations［J］．International Journal of Advanced Robotic Systems，2014，11（7）：1-9.
8	GINESI M， SANSONETTO N， FIORINI P ．Overcoming some drawbacks of dynamic movement primitives［J］．Robotics and Autonomous Sytems，2021，144（2）：103844-103844.
9	WANG N， CHEN C， YANG C ．A robot learning framework based on adaptive admittance control and generalizable motion modeling with Neural Network Controller［J］．Neurocomputing，2019，390（1229）：260-267.
10	LUGARESI C， TANG J， NASH H，et al ．MediaPipe：a framework for building perception pipelines［J］．ArXiv，2019，doi：10.48550/arXiv.1906.08172 .
11	ZHANG Y， LI M， YANG C ．Robot learning system based on dynamic movement primitives and neural network［J］．Neurocomputing，2021，451（1431）：205-214.
12	SU H， MARIANI A， OVUR S E，et al ．Toward teaching by demonstration for robot-assisted minimally invasive surgery［J］．IEEE Transactions on Automation Science and Engineering，2021，18（2）：484-494.
13	LI J， LI Z， LI X，et al ．Skill learning strategy based on dynamic motion primitives for human-robot cooperative manipulation［J］．IEEE Transactions on Cognitive and Developmental Systems，2021，13（1）：105-117.
14	WANG T， YAN L， WANG G，et al ．Learning from demonstration using improved dynamic movement primitives［C］∥Proceedings of 2021 IEEE 16th Conference on Industrial Electronics and Applications （ICIEA）．Chengdu：IEEE，2021：2130-2135.
15	何嘉玉，黄宏博，张红艳，等．基于深度学习的单幅图像三维人脸重建研究综述［J］．计算机科学，2022，49（2）：40-50.
	HE Jiayu， HUANG Hongbo， ZHANG Hongyan，et al ．Review of 3D face reconstruction based on single image［J］．Computer Science，2022，49（2）：40-50.

方法	基函数个数	E_MA					运行时间/s
方法	基函数个数	x/mm	y/mm	z/mm	位置/mm	姿态/（°）	运行时间/s
DMPs	10	2.47	2.86	1.95	4.58	2.24	0.64
	50	0.69	0.75	0.73	1.37	0.71	0.90
	100	0.60	0.56	0.53	1.04	0.43	1.37
	500	0.59	0.51	0.48	0.96	0.35	2.82
	1 000	0.58	0.49	0.46	0.93	0.33	5.29
	1 500	0.58	0.49	0.46	0.93	0.33	8.26
MDMPs	10	1.27	1.61	1.36	2.67	1.54	0.80
	50	0.63	0.62	0.60	1.16	0.54	0.94
	100	0.59	0.52	0.49	0.98	0.37	1.31
	500	0.58	0.50	0.47	0.94	0.34	2.72
	1 000	0.58	0.49	0.46	0.93	0.33	5.10
	1 500	0.58	0.49	0.46	0.93	0.33	5.87
SADMPs	10	0.92	1.11	1.03	1.93	1.11	0.45
	50	0.60	0.56	0.53	1.04	0.43	0.84
	100	0.59	0.50	0.47	0.95	0.34	1.01
	500	0.54	0.49	0.46	0.75	0.28	2.54
	1 000	0.53	0.48	0.45	0.74	0.28	3.48
	1 500	0.53	0.48	0.45	0.74	0.28	5.07
BPNN-DMPs		0.48	0.46	0.45	0.52	0.15	5.15

实验组	E_MA					δ
实验组	x/mm	y/mm	z/mm	位置/mm	姿态/（°）	位置/mm	姿态/（°）
1	1.18	0.72	2.25	2.70	2.27	1.27	0.86
2	1.38	0.72	1.49	2.38	2.00	0.72	0.75
3	0.96	0.55	1.43	2.09	1.97	0.86	0.57
4	1.03	0.88	2.41	2.85	2.49	1.59	0.86
5	1.93	1.92	1.25	3.23	2.74	0.71	1.37
6	1.98	2.27	2.96	4.38	6.60	1.60	1.98

实验组	E_MA						δ
实验组	x/mm	y/mm	z/mm	位置/mm	姿态/（°）	力/N	位置/mm	姿态/（°）	力/N
1	9.60	9.79	0.96	13.87	0.63	0.56	5.85	0.21	0.29
2	9.25	9.59	0.94	13.44	0.62	0.52	5.20	0.08	0.28
3	8.68	7.14	0.91	11.39	0.25	0.54	5.20	0.08	0.28
4	8.16	11.61	0.92	14.31	0.68	0.55	7.29	0.20	0.29
5	8.67	12.25	1.02	15.10	0.71	0.63	7.59	0.24	0.29
6	9.37	12.51	0.95	15.74	0.75	0.70	7.01	0.17	0.51

[1]	曹学鹏, 王德硕, 冯艳丽, 樊豪, 张弓, 张新荣, 赵睿英. 基于DMPs的双机器人协同搬运轨迹的学习与泛化[J]. 华南理工大学学报(自然科学版), 2023, 51(12): 9-20.
[2]	莫海军陈杰王顺栋. 结合点云纹理信息的快速点特征直方图描述子算法[J]. 华南理工大学学报（自然科学版）, 2021, 49(6): 56-65,76.
[3]	相恒永, 周莉, 巴晓辉, 等. 基于动态窗口运动统计信息的特征匹配筛选算法[J]. 华南理工大学学报（自然科学版）, 2020, 48(6): 114-122.
[4]	孔德慧李文超虞义兰李敬华尹宝才. 一种改进的面向 SLAM 系统的相机位姿估计方法[J]. 华南理工大学学报（自然科学版）, 2018, 46(12): 10-19.
[5]	廖广军曾玮刘屿李致富胡跃明. 基于信息融合的三维人脸识别[J]. 华南理工大学学报（自然科学版）, 2013, 41(11): 16-22.
[6]	范路桥姚锡凡蒋梁中汪伟. 半智能排爆机器人的单手双目手眼系统[J]. 华南理工大学学报（自然科学版）, 2008, 36(4): 40-44.
[7]	秦钟徐建闽刘利频史胜利. 基于视频角点信息特征的交通流参数测算方法[J]. 华南理工大学学报（自然科学版）, 2006, 34(9): 70-75.

按摩机器人优化示教策略及BPNN-DMPs轨迹学习模型

Research on Optimized Teaching Strategy and BPNN-DMPs Trajectory Learning Model of Massage Robot

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 15

相关文章 7

编辑推荐

Metrics

本文评价