本技术涉及机器人远程操作技术,提供了一种结合隐马尔可夫模型和双层贝叶斯算法来计算远程操作中机器人期望速度的方法和系统。该技术通过分析主端机器人的离线运动数据,实现对期望速度的精确计算,以优化远程操作性能。
背景技术
遥操作技术中依赖操作员的运动来控制从端机器人运动,通常从端机器人只是严格的复制主端操作员人手的轨迹。但是由于生理上的原因,人手在运动过程中的抖动是不可避免的,如果直接将包含抖动干扰的指令发送给从端机器人,将严重影响速度的稳定性和轨迹的平滑性。因此需要进行人手抖动的抑制。
卡尔曼滤波器可以预测人手的抖动信号并进行过滤,但其对非线性信号的预测精度不高。机器学习方法比如支持向量机和神经网络同样可以应用于消除人手抖动,且适用于非线性系统,但是其仅从数据层面上过滤人手的高频小幅度抖动信号,不能从完成任务的意图的层面抑制由累积抖动造成的低频大幅度信号。操作员在已经意识到任务所需的路径的情况下仍会产生造成抖动信号的根本原因是人类行为的随机性,因此需要对该随机性进行表征。
隐马尔可夫模型已经被用于可以表征人类行为的随机性,利用隐马尔可夫模型对人的意图也就是人手移动的期望速度进行识别可以达到过滤抖动信号的功能。目前,现有的利用进行抖动的消除仅仅限于对于直线轨迹的抖动消除,在更多应用场景比如遥操作涂胶中任务轨迹是多样的,仅仅利用隐马尔可夫模型缺乏对多样化轨迹的适应性。因此,亟需一种方法可以适用于遥操作的抖动消除中。
实现思路