一种基于高斯过程在线学习的机器人控制方法

技术特征：
1.一种基于高斯过程在线学习的机器人控制方法，其特征在于，包括：通过低增益的比例-微分控制，获取初始数据，根据所述初始数据构建初始高斯过程在线学习模型，所述初始高斯过程在线学习模型用于对机器人进行初步控制；在每个控制周期内轮转更新高斯过程在线学习模型；将期望的位置、速度和加速作为输入，根据最新的高斯过程在线学习模型预测得到多个力矩，将所述力矩作为机器人控制的前馈输入，以对所述机器人进行控制。2.根据权利要求1所述的一种基于高斯过程在线学习的机器人控制方法，其特征在于，所述通过低增益的比例-微分控制，获取初始数据，根据所述初始数据构建初始高斯过程在线学习模型，包括：配置初始化超参数；其中，所述初始化超参数包括比例和微分增益、基向量集大小、核函数、模型噪声、方差阈值以及遗忘速度参数；根据所述初始化超参数进行低增益的比例-微分控制；根据所述比例-微分控制获取初始数据；根据所述初始数据构建初始高斯过程在线学习模型，将所述高斯过程在线学习模型输出的预测力矩为前馈项。3.根据权利要求1所述的一种基于高斯过程在线学习的机器人控制方法，其特征在于，所述在每个控制周期内轮转更新高斯过程在线学习模型，包括：将再生希尔伯特空间范数作为衡量数据点的标准，以衡量新数据点距离原空间的距离；当新的数据点计算得到的距离大于预设阈值，将该数据点加入基向量集并且更新对应的辅助变量；当所述基向量集大于预设大小，将所述基向量集中的无用点删除。4.根据权利要求3所述的一种基于高斯过程在线学习的机器人控制方法，其特征在于，所述当新的数据点计算得到的距离大于预设阈值，将该数据点加入基向量集并且更新对应的辅助变量这一步骤中，当数据点无法进入基向量集时，根据所述数据点对所述基向量集进行调整，使得所述数据点能够进入调整后的基向量集，并且不增加所述基向量集的大小。5.根据权利要求3所述的一种基于高斯过程在线学习的机器人控制方法，其特征在于，所述当所述基向量集大于预设大小，将所述基向量集中的无用点删除，包括：配置计数器和遗忘条件，当所述基向量集中新加入数据点时，所述计数器加1；当所述计数器的数值达到预设数值时，将最旧的数据点删除，并将所述计数器置零。6.根据权利要求5所述的一种基于高斯过程在线学习的机器人控制方法，其特征在于，所述当所述基向量集大于预设大小，将所述基向量集中的无用点删除，还包括：当所述计数器的数值没有达到预设数值时，将当前基向量集中距离最近的点作为无用点删除。7.根据权利要求1所述的一种基于高斯过程在线学习的机器人控制方法，其特征在于，所述将期望的位置、速度和加速作为输入，根据最新的高斯过程在线学习模型预测得到多个力矩，将所述力矩作为机器人控制的前馈输入；对于新的数据点，计算所述数据点的预测均值和预测方差；
将所述预测均值作为控制力矩的前馈项；将所述前馈项结合对应的反馈项得到控制命令；将所述控制命令输入所述机器人，对所述机器人进行控制。8.一种基于高斯过程在线学习的机器人控制装置，其特征在于，包括：第一模块，用于通过低增益的比例-微分控制，获取初始数据，根据所述初始数据构建初始高斯过程在线学习模型，所述初始高斯过程在线学习模型用于对机器人进行初步控制；第二模块，用于在每个控制周期内轮转更新高斯过程在线学习模型；第三模块，用于将期望的位置、速度和加速作为输入，根据最新的高斯过程在线学习模型预测得到多个力矩，将所述力矩作为机器人控制的前馈输入，以对所述机器人进行控制。9.一种电子设备，其特征在于，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现如权利要求1至7中任一项所述的方法。10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。

技术总结
本发明公开了一种基于高斯过程在线学习的机器人控制方法，包括通过低增益的比例-微分控制，获取初始数据，根据所述初始数据构建初始高斯过程在线学习模型，所述初始高斯过程在线学习模型用于对机器人进行初步控制；在每个控制周期内轮转更新高斯过程在线学习模型；将期望的位置、速度和加速作为输入，根据最新的高斯过程在线学习模型预测得到多个力矩，将所述力矩作为机器人控制的前馈输入，以对所述机器人进行控制。本发明能够提高跟踪精度并且能够降低模型更新频率，可广泛应用于机器人控制技术领域。制技术领域。制技术领域。


技术研发人员：潘永平 李威
受保护的技术使用者：中山大学
技术研发日：2022.01.25
技术公布日：2022/3/18