本文是一篇计算机论文范文，本文基于Hermite正交多项式对摩擦力模型进行拟合。同时，为了充分考虑非线性部分以及环境噪声，本文进一步使用混合密度网络对力矩的分布进行建模。实验结果表明，本方法可以有效缓解力矩的跳变。
第1章 绪论
1.1 研究背景及意义
未来，机器人将在日常生活中扮演越来越重要的角色，为人类提供各种服务[1–4]。智能机器人目前已有较为广泛的应用，比如在汽车产线上代替工人完成焊接、喷涂和装配等工作。此外，接入视觉传感器的机械臂还可以用于完成车零件表面喷漆缺陷检测等耗时耗力的任务。轮式机器人目前广泛运用在产线运输中，帮助工人完成载重、拖运等任务。协作机器人可以利用其快速和准确的特点来负责重复性工序。医疗康复协作机器人，优于协作机器人安全性高，可以一定程度上模仿人类手臂工作，非常适合用在这些场景。尤其是我国在2020年出抗击新冠肺炎疫情的过程中，协作机器人在医疗等领域起到了十分重要的作用，得到了社会的充分肯定。此类机器人的使用极大提高了生产效率。然而其主要运用于结构化场景，例如标准化车间，限制了其在现实生活中的大规模使用。复合机器人的出现为机器人进入家庭等非结构化场景提供了解决方案。复合机器人可简单看作AGV与机械臂的组合，典型的如排爆机器人或迎宾机器人。在家庭使用方面，斯坦福提出了一种低价的复合机器人平台Mobile-ALOHA，由双臂与移动基座构成，结合算法可以完成常见的家庭服务。
1.2 国内外研究进展
由上文可知，动力学参数辨识以及模仿学习是机械臂高精操作的基础。基于传感器的机器人自定位是复合机器人完成任务的保障。此外，模仿学习也常用于机器人移动的编排，例如迎宾机器人阵列、旋翼无人机动作编排等等。国内外学者围绕动力学参数辨识、模仿学习以及机器人自主定位等主题展开了大量的研究。
1.2.1 机器人参数辨识的研究现状
随着机械臂向高速化、智能化发展，人们对其控制精度也提出了更高的要求。在人机协作过程中，受到诸如机器人关节摩擦、惯性矩和非线性、末端负载以及外部干扰等不确定因素的影响，人们无法直接测量机器人参数，使得建模充满挑战[5]。常见的机械臂动力学参数估计方法分为三种：
（1）物理实验：将机械臂拆分为每个连杆，可以通过实验获得一些惯性参数。例如，质量可以直接测量[6]；质心位置可以通过测量连杆的平衡点获取；惯性张量的对角元素可以通过摆动实验获得[7–9]。在物理实验中，需要专用的测量设备，并忽略了关节特性。识别的准确性取决于测量设备的精度。此外，物理实验非常繁琐，应在装配机器人之前由制造商实现。
（2）计算机辅助设计（CAD）技术：该方法通过在CAD程序中设定机器人连杆的材料与材料特性计算连杆所需动力学参数。所有机器人CAD软件包都提供从三维模型计算惯性参数的工具。在机器人设计阶段，可以基于估计的动力学参数研究机器人的动态性能和基于模型的控制性能，并且可以进一步利用性能分析来改进设计。然而，CAD系统中连杆模型的精度决定了估计参数的准确性。由于连杆的制造/装配误差，CAD模型估计参数常常与实际机械臂并不相同。此外，CAD无法提供模型参数的估计。
第2章 基于混合密度网络与改进摩擦力模型的机器人动力学参数辨识
2.1 神经网络与混合密度模型
本文提出的方法采用混合密度模型进行非线性项以及噪声的建模。为此本节主要介绍所提出方法中使用的混合密度网络以及其实现方式——神经网络的基础知识。
2.1.1 神经网络
神经网络是机器学习的一个分支，旨在模拟生物大脑的结构和功能。神经网络也称为人工神经网络 (ANN)，由相互关联的节点或人工神经元组成，这些节点或人工神经元的结构分层排列，通过加权连接传输和处理数据。多层神经网络是深度学习算法的基础。神经网络旨在从训练数据中学习模式和关系，不断调整和改进，并运用所学做出预测或决策。神经网络能够从复杂数据中提取有意义的信息来解决问题，与传统算法有着明显的不同。
神经网络的工作过程称为前向传播。通过一种受人类大脑启发的架构，输入数据逐层通过网络进行传递，以生成输出。神经网络中有多层节点，节点是一组定义好的输入、权重和函数。一层中的每个神经元接收上一层的输入，对每个输入施加一个权重，然后将加权和传递给一个激活函数。激活函数的输出将成为下一层的输入。
在训练期间，神经网络会调整权重，以尽可能减小预测输出与实际输出之间的差异。这一过程称为反向传播，会使用优化算法来更新权重并提升网络性能。通过试错的过程，可让它从错误中学习经验，并随着时间的推移提高准确性。最终，神经网络可以准确预测它从未遇到过的数据。
2.2 基于Hermite正交多项式的机器人摩擦力模型优化
机器人动力学参数辨识基于逆动力学模型实现，机器人逆动力学通过机器人关节位置，速度，加速度以及机器人的运动与惯性属性来计算当前机器人的受力和关节的力矩，其计算参数为正向动力学模型的线性化，机器人的正向动力学模型中并非所有参数都对逆运动学计算产生作用，其中一些参数以一种线性组合的方式对逆运动学计算的数值产生影响。机器人的动力学参数可以被分为三类：完全可变式、线性组合可辨识以及不可辨识。由于机械臂参数的冗余，通常不可能从关节的运动与力矩中恢复全部参数。这些可辨识的参数可以组成一个最小集合，称为基本参数集，在逆运动学的计算中可以仅通过最小参数集来计算关节力矩，并且由于最小参数集对应的观测矩阵更小，从而有更高的计算效率。
本节详细介绍动力学参数辨识中的主要流程：（1）激励轨迹设计。（2）数据处理。（3）辨识算法。在参数辨识中，激励轨迹的选择十分重要。普通的点到点的运动缺乏持久的激励，使得辨识结果不准确[12]。求解最优激励轨迹一般建模为非线性规划问题，在该问题中，通过输入 𝑞,𝑞̇,𝑞̈ 构建目标方程并最小化目标方程得到最佳参数。通常，该目标方程建模为观测矩阵 𝑊𝑏 的条件数。数据处理方面，为了减小噪声影响，采用多次运行激励轨迹取均值的形式。此外，对于存在的噪声，采用零相位数字滤波器进行滤波，确保数据的可靠性。在辨识算法方面，使用改进的模型进行动力学的参数辨识。
第3章 基于混合模型的机器人模仿学习算法 ............................ 28
3.1 机器人轨迹模仿学习背景知识 ............................. 28
3.1.1 动态运动基元算法 ........................... 28
3.1.2 高斯混合回归算法 .............................. 29
第4章 基于语义分割的单目视觉里程计尺度恢复算法 .................... 45
4.1 本文算法框架 ................................... 45
4.2 语义分割与单目视觉里程计 ........................ 46
第5章 结论与展望 ............................... 60
5.1 本文主要工作总结 ............................ 60
5.2 进一步的研究方向 ............................ 61
第4章 基于语义分割的单目视觉里程计尺度恢复算法
4.1 本文算法框架
为了充分利用成熟的几何尺度恢复理论以及深度学习方法，有效地克服先前的尺度恢复方法的局限性，并减轻动态物体对运动估计的影响，本文提出了一种创新的混合方法来实现单目视觉里程计（Monocular Visual Odometry, MVO）中的尺度恢复。
如图4-1所示，该方法可在实时场景中运行。我们采用了轻量级SegNeXt[82]，在计算复杂度与性能方面取得了良好的平衡，引入的语义分割模型用于同时进行自运动估计和地面点选择。该方法涉及几个关键步骤。首先，利用语义分割的掩膜消除不稳定的特征，例如位于行人、车辆、动物上或者周边的特征，确保更精准的运动估计以及特征点三角化。同时将语义分割的地面掩膜纳入地面点预处理过程中，对三角化点进行处理。为了更精细地选择特征点，采用Delaunay三角剖分[83]将平面特征点划分为三角形。在此基础上，提出了两个顺序的算法进行地面特征点的验证。随后通过随机抽样一致性 (RANSAC)[84]对道路点进行进一步验证，通过去除异常值增强了估计过程的鲁棒性。最终引入滑动窗口方法，利用混合滤波器实现尺度估计的在线更新，以去除噪声。
第5章 结论与展望
5.1 本文主要工作总结
本研究尝试解决复合机器人在实际使用中所面对的问题，扩展复合机器人的应用场景。其主要问题如下：
（1）复合机器人动力学参数辨识精度不足。复合机器人在与人和环境交互式需要考虑交互的安全性，同时要考虑一些高速场景。这些需求对复合机器人的力控/动力学模型提出了较高要求，然而现存的动力学参数辨识算法由于摩擦力近似与噪声建模等原因存在突变的情况。
（2）复合机器人中移动底座以及机械臂的轨迹规划难度较高。复合机器人在使用中往往需要针对当前场景轨迹的规划来完成任务，面对类似家庭等高复杂度的场景，研究人员不可能通过穷举来实现编排动作。模仿学习被视为解决该问题的有效途径。然而现存的模仿学习算法存在学习能力、泛化能力以及避障能力等方面的不足，阻碍了其进一步的应用。
（3）复合机器人在非结构场景下定位能力不足。定位作为机器人感知的基础，一直以来广受关注。然而高精度定位算法所依赖的设备成本较高，或者在家庭场景中无法使用。单目视觉里程计有望成为该问题的解决方案。然而单目视觉里程计无法恢复绝对的运动，近年来的一些研究
