Статистическое обучение траекториям роботизированных демонстраций на основе многофакторной сегментации и согласования нескольких показов (HSMM)
(Стр. 34-47)
Подробнее об авторах
Гао Тяньцы
аспирант, кафедра ИУ1 «Системы автоматического управления»
Московский государственный технический университет имени Н.Э. Баумана
г. Москва, Российская Федерация Дмитриев Дмитрий Дмитриевич кандидат технических наук; доцент, кафедра ИУ1 «Системы автоматического управления»; Московский государственный технический университет имени Н.Э. Баумана; г. Москва, Российская Федерация Неусыпин Константин Авенирович доктор технических наук; профессор, кафедра ИУ1 «Системы автоматического управления»; Московский государственный технический университет имени Н.Э. Баумана; г. Москва, Российская Федерация
Московский государственный технический университет имени Н.Э. Баумана
г. Москва, Российская Федерация Дмитриев Дмитрий Дмитриевич кандидат технических наук; доцент, кафедра ИУ1 «Системы автоматического управления»; Московский государственный технический университет имени Н.Э. Баумана; г. Москва, Российская Федерация Неусыпин Константин Авенирович доктор технических наук; профессор, кафедра ИУ1 «Системы автоматического управления»; Московский государственный технический университет имени Н.Э. Баумана; г. Москва, Российская Федерация
Аннотация:
Статистическое обучение траекториям роботизированных демонстраций на основе многофакторной сегментации и согласования нескольких показов (HSMM) ориентировано на решение комплексных задач человеко-машинного взаимодействия и интеллектуального производства. Основная цель исследования работы заключается в автоматическом выявлении обобщенной структуры ключевых участков из нескольких роботизированных демонстраций при отсутствии априорной разметки данных, а также в построении статистических и параметрических моделей для универсального воспроизведения траектории в разнообразных задачах и условиях. Для достижения этой цели сформулированы задачи исследования, включающие многопризнаковую сегментацию (скорость, кривизна, ускорение, изменение направления), выравнивание траекторий с помощью скрытой полумарковской модели и последующую реализацию статистических представлений (ProMP, GMM/GMR, DMP). Предлагаемая методика позволяет сначала осуществлять сглаживание исходных данных и выявление ключевых точек путем их топологического упрощения и подавления немаксимальных значений, а затем, используя HSMM, обеспечивать согласованное разбиение нескольких демонстраций на характерные сегменты. Проведенные эксперименты подтверждают, что полученные результаты позволяют достигать низкой ошибки восстановления при одновременном повышении степени сжатия данных и сохранении важных действий, что свидетельствует о высокой эффективности предлагаемого подхода. Наконец, анализируя новизну и практическую значимость работы, можно отметить возможность применения данного решения в промышленном контексте (сварка, окраска и т.д.), а также перспективы расширения метода на более динамичные и нестационарные сценарии, где требуется адаптивное и статистически обоснованное планирование траектории.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Гао Тяньцы, Дмитриев Д.Д., Неусыпин К.А. Статистическое обучение траекториям роботизированных демонстраций на основе многофакторной сегментации и согласования нескольких показов (HSMM) // Computational Nanotechnology. 2025. Т. 12. № 1. С. 34-47. DOI: 10.33693/2313-223X-2025-12-1-34-47. EDN: LQAATJ
Список литературы:
Savitsky A., Golay M.J.E. Smoothing and differentiation of data by simplified least squares methods. Analytical Chemistry. 1964. Vol. 36. No. 8. Pp. 1627–1639. DOI: 10.1021/ac60214a047.
Cohen-Steiner D., Edelsbrunner H., Harer J. Stability of persistence diagrams. In: Proceedings of the Twenty-First Annual Symposium on Computational Geometry. ACM, 2005. Pp. 263–271. DOI: 10.1145/1064092.1064133.
Liu C., Ren B., Fu D., Li M. A GNSS composite interference recognition method based on YOLOv5. In: IEEE 6th International Conference on Civil Aviation Safety and Information Technology (ICCASIT). IEEE, 2024. Pp. 1157–1162. DOI: 10.1109/ICCASIT62299.2024.10828065.
Liu T., Zhu K., Zeng L. Diagnosis and prognosis of degradation process via hidden semi-Markov model. IEEE/ASME Transactions on Mechatronics. 2018. Vol. 23. No. 3. Pp. 1456–1466. DOI: 10.1109/TMECH.2018.2823320.
Osa T., Pajarinen J., Neumann G. et al. An algorithmic perspective on imitation learning. Foundations and Trends® in Robotics. 2018. Vol. 7. No. 1–2. Pp. 1–179. DOI: 10.1561/2300000053.
Calinon S. Gaussians on Riemannian manifolds: Applications for robot learning and adaptive control. IEEE Robotics & Automation Magazine. 2020. Vol. 27. No. 2. Pp. 33–45. DOI: 10.1109/MRA.2020.2980548.
Xie J., Yan H., Wang J., Li J., Chen B. Unsupervised approach for multi-modality telerobotic trajectory segmentation. IEEE Internet of Things Journal. 2024. DOI: 10.1109/JIOT.2024.3412134.
Yu L., Bai S. A modified dynamic movement primitive algorithm for adaptive gait control of a lower limb exoskeleton. IEEE Transactions on Human-Machine Systems. 2024. DOI: 10.1109/THMS.2024.3458905.
Kulak T., Girgin H., Odobez J.M. et al. Active learning of Bayesian probabilistic movement primitives. IEEE Robotics and Automation Letters. 2021. Vol. 6. No. 2. Pp. 2163–2170. DOI: 10.1109/LRA.2021.3060414.
Sung H.G. Gaussian mixture regression and classification. Abstract of dis. ... of Dr. Sci. (Philos.). Rice University, 2004.
Mandlekar A., Zhu Y., Garg A. et al. Roboturk: A crowdsourcing platform for robotic skill learning through imitation. In: Conference on Robot Learning. PMLR, 2018. Pp. 879–893.
Paraschos A., Daniel C., Peters J.R. et al. Probabilistic movement primitives. In: Advances in Neural Information Processing Systems. 2013. P. 26.
Vemuri N., Thaneeru N. Enhancing human-robot collaboration in Industry 4.0 with AI-driven HRI. Power System Technology. 2023. Vol. 47. No. 4. Pp. 341–358. DOI: 10.52783/pst.196.
Bishop C.M., Nasrabadi N.M. Pattern recognition and machine learning. New York: Springer, 2006.
Zhang T., Mo H. Reinforcement learning for robot research: A comprehensive review and open issues. International Journal of Advanced Robotic Systems. 2021. Vol. 18. No. 3. DOI: 10.1177/17298814211007305.
Li G., Jin Z., Volpp M. et al. ProDMP: A unified perspective on dynamic and probabilistic movement primitives. IEEE Robotics and Automation Letters. 2023. Vol. 8. No. 4. Pp. 2325–2332. DOI: 10.1109/LRA.2023.3248443.
Wong C.C., Vong C.M. Persistent homology-based graph convolution network for fine-grained 3D shape segmentation. In: Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021. Pp. 7098–7107. DOI: 10.1109/ACCESS.2022.3218653.
Lu Y., Jiang B., Liu N. et al. CrossPrune: Cooperative pruning for camera – LiDAR fused perception models of autonomous driving. Knowledge-Based Systems. 2024. Vol. 289. Art. 111522. DOI: 10.1016/j.knosys.2024.111522.
Neubeck A, Van Gool L. Efficient non-maximum suppression. In: 18th International Conference on Pattern Recognition (ICPR’06). IEEE, 2006. Vol. 3. Pp. 850–855. DOI: 10.1109/ICPR.2006.479.
Gervet T., Xian Z., Gkanatsios N. et al. Act3D: 3D feature field transformers for multi-task robotic manipulation. In: 7th Annual Conference on Robot Learning, 2023.
Cohen-Steiner D., Edelsbrunner H., Harer J. Stability of persistence diagrams. In: Proceedings of the Twenty-First Annual Symposium on Computational Geometry. ACM, 2005. Pp. 263–271. DOI: 10.1145/1064092.1064133.
Liu C., Ren B., Fu D., Li M. A GNSS composite interference recognition method based on YOLOv5. In: IEEE 6th International Conference on Civil Aviation Safety and Information Technology (ICCASIT). IEEE, 2024. Pp. 1157–1162. DOI: 10.1109/ICCASIT62299.2024.10828065.
Liu T., Zhu K., Zeng L. Diagnosis and prognosis of degradation process via hidden semi-Markov model. IEEE/ASME Transactions on Mechatronics. 2018. Vol. 23. No. 3. Pp. 1456–1466. DOI: 10.1109/TMECH.2018.2823320.
Osa T., Pajarinen J., Neumann G. et al. An algorithmic perspective on imitation learning. Foundations and Trends® in Robotics. 2018. Vol. 7. No. 1–2. Pp. 1–179. DOI: 10.1561/2300000053.
Calinon S. Gaussians on Riemannian manifolds: Applications for robot learning and adaptive control. IEEE Robotics & Automation Magazine. 2020. Vol. 27. No. 2. Pp. 33–45. DOI: 10.1109/MRA.2020.2980548.
Xie J., Yan H., Wang J., Li J., Chen B. Unsupervised approach for multi-modality telerobotic trajectory segmentation. IEEE Internet of Things Journal. 2024. DOI: 10.1109/JIOT.2024.3412134.
Yu L., Bai S. A modified dynamic movement primitive algorithm for adaptive gait control of a lower limb exoskeleton. IEEE Transactions on Human-Machine Systems. 2024. DOI: 10.1109/THMS.2024.3458905.
Kulak T., Girgin H., Odobez J.M. et al. Active learning of Bayesian probabilistic movement primitives. IEEE Robotics and Automation Letters. 2021. Vol. 6. No. 2. Pp. 2163–2170. DOI: 10.1109/LRA.2021.3060414.
Sung H.G. Gaussian mixture regression and classification. Abstract of dis. ... of Dr. Sci. (Philos.). Rice University, 2004.
Mandlekar A., Zhu Y., Garg A. et al. Roboturk: A crowdsourcing platform for robotic skill learning through imitation. In: Conference on Robot Learning. PMLR, 2018. Pp. 879–893.
Paraschos A., Daniel C., Peters J.R. et al. Probabilistic movement primitives. In: Advances in Neural Information Processing Systems. 2013. P. 26.
Vemuri N., Thaneeru N. Enhancing human-robot collaboration in Industry 4.0 with AI-driven HRI. Power System Technology. 2023. Vol. 47. No. 4. Pp. 341–358. DOI: 10.52783/pst.196.
Bishop C.M., Nasrabadi N.M. Pattern recognition and machine learning. New York: Springer, 2006.
Zhang T., Mo H. Reinforcement learning for robot research: A comprehensive review and open issues. International Journal of Advanced Robotic Systems. 2021. Vol. 18. No. 3. DOI: 10.1177/17298814211007305.
Li G., Jin Z., Volpp M. et al. ProDMP: A unified perspective on dynamic and probabilistic movement primitives. IEEE Robotics and Automation Letters. 2023. Vol. 8. No. 4. Pp. 2325–2332. DOI: 10.1109/LRA.2023.3248443.
Wong C.C., Vong C.M. Persistent homology-based graph convolution network for fine-grained 3D shape segmentation. In: Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021. Pp. 7098–7107. DOI: 10.1109/ACCESS.2022.3218653.
Lu Y., Jiang B., Liu N. et al. CrossPrune: Cooperative pruning for camera – LiDAR fused perception models of autonomous driving. Knowledge-Based Systems. 2024. Vol. 289. Art. 111522. DOI: 10.1016/j.knosys.2024.111522.
Neubeck A, Van Gool L. Efficient non-maximum suppression. In: 18th International Conference on Pattern Recognition (ICPR’06). IEEE, 2006. Vol. 3. Pp. 850–855. DOI: 10.1109/ICPR.2006.479.
Gervet T., Xian Z., Gkanatsios N. et al. Act3D: 3D feature field transformers for multi-task robotic manipulation. In: 7th Annual Conference on Robot Learning, 2023.
Ключевые слова:
обучение робота по демонстрациям, сегментация траектории, вероятностные примитивы движения, мультипризнаковый анализ, скрытая полумарковская модель (HSMM).
Статьи по теме
