人形机器人中英文对照外文翻译文献.docx

人形机器人中英文对照外文翻译文献.docx

《人形机器人中英文对照外文翻译文献.docx》由会员分享，可在线阅读，更多相关《人形机器人中英文对照外文翻译文献.docx（14页珍藏版）》请在冰点文库上搜索。

人形机器人中英文对照外文翻译文献

中英文对照翻译

最小化传感级别不确定性联合策略的机械手控制

摘要：

人形机器人的应用应该要求机器人的行为和举止表现得象人。

下面的决定和控制自己在很大程度上的不确定性并存在于获取信息感觉器官的非结构化动态环境中的软件计算方法人一样能想得到。

在机器人领域，关键问题之一是在感官数据中提取有用的知识，然后对信息以及感觉的不确定性划分为各个层次。

本文提出了一种基于广义融合杂交分类（人工神经网络的力量，论坛渔业局）已制定和申请验证的生成合成数据观测模型，以及从实际硬件机器人。

选择这个融合，主要的目标是根据内部（联合传感器）和外部（Vision摄像头）感觉信息最大限度地减少不确定性机器人操纵的任务。

目前已被广泛有效的一种方法论就是研究专门配置5个自由度的实验室机器人和模型模拟视觉控制的机械手。

在最近调查的主要不确定性的处理方法包括加权参数选择（几何融合），并指出经过训练在标准操纵机器人控制器的设计的神经网络是无法使用的。

这些方法在混合配置，大大减少了更快和更精确不同级别的机械手控制的不确定性，这中方法已经通过了严格的模拟仿真和试验。

关键词：

传感器融合，频分双工，游离脂肪酸，人工神经网络，软计算，机械手，可重复性，准确性，协方差矩阵，不确定性，不确定性椭球。

1引言

各种各样的机器人的应用（工业，军事，科学，医药，社会福利，家庭和娱乐）已涌现了越来越多产品，它们操作范围大并呢那个在非结构化环境中运行[3,12,15]。

在大多数情况下，如何认识环境正在发生变化且每个瞬间最优控制机器人的动作是至关重要的。

移动机器人也基本上都有定位和操作非常大的非结构化的动态环境和处理重大的不确定性的能力[1,9,19]。

每当机器人操作在随意性自然环境时，在给定的工作将做完的条件下总是存在着某种程度的不确定性。

这些条件可能，有时不同当给定的操作正在执行的时候。

导致这种不确定性的主要的原因是来自机器人的运动参数和各种确定任务信息的差异所引起的。

这意味着，它们不同于所谓的可能不总是微不足道的规范化的过程处理中。

这些偏差的原因可能是由于不准确的分析设计或复制品，或者因为程序的动议确定性错误，以及随机误差的算法，测量数据，数据传输链路，和其他因素。

机器人地位的变化，像实例故障，失败，参考框架的转移等等，也导致机器人的不确定性条件的操作。

这种大量存在的不确定因素影响着机器人感应一项任务的各种步骤;适应控制系统的不断变化;和推理来选择实现某个目标所需的行动。

事实上，显而易见，关键问题之一，是机器人在应对各级不确定性特别是在遥感水平的数据中提取有用的信息。

根据感官测量数据结果显示，参与的质量就不确定性剩余而言及传播感觉信息的理想性加以调查。

在机器人领域，不确定性问题的解释水平的感觉是一个非常关键的一点，其具体任务像空间结构机器人一样，可代替医生为病人做手术等。

在两个高级别机器的精度和人类一样需要理解关键问题在遥感进程中的处理，以便使信号输出的所有传感器和三维世界的属性之间能稳定的连接。

一个最近的趋势是通过解决传感器融合问题，并有众多的融合技术，涵盖非常广泛的频谱的应用领域[10,13]。

有人认为，在某种背景下研究这些研究工作，很需要引用专业化并容易掌握理解的基于传感器融合战略（人形办法）的多感觉系统的计算机软计。

该类人行为的做法可以使得为多功能的应用。

进程的易理解性使得机器人特别适合在加工复杂，高度非线性功能中处理好低层次的感官数据和高层次的信息之间的关系。

融合策略将是最合适的适用于分布式融合架构而作为它可以有效地使我们能够最大限度地减少不确定性的任何期望的水平。

审查的一些文件不确定性分析在机械手控制[4,14,16,20,23]表明，一个共同的步骤参与所有这些系统是已获得的通过多功能感应单元相同信息的解释。

融合的信息需求的代表，并与尽量减少不确定性的程度这取决于这一任务最小的具体应用。

本文研究介绍的重点放感官指导机器人的操纵这一目标的条件下。

作为应用在改善普通版型机器人的重复性是一个象征性的挑战已开展研究。

真实世界的系统具有随机性质的非线性和不确定性，在他们的行为和做法中，人是唯一可以接受在许多这样任务中的解决方案的对象。

在多变量输入输出系统中，这种非线性和不确定性的影响很大，为了有效遏制需要得到妥善解决。

例如，先进的机器人系统（操纵机器人具有多余的自由度或移动机器人具有多余的感觉系统将属于此类别中）。

这些系统需要的各种传感器来响应智能动态环境。

他们可能被安装外部传感器，如力扭矩传感器，行程传感器，接近传感器，超声波和红外线传感器，触觉阵列和其他触摸传感器，间接或眼手视觉传感器，跨火，超载和支路传感装置等。

此外，还有各种内部国家传感器，如编码器，流速计，左轮手枪和其他的.传感器越多，计算机控制系统就越复杂同时机器人智能化水平就越高。

因为最近的工业及非工业机器人系统的应用需要高层次的情报，复杂性与它正确的编址紧密相连，正因为如此不同幅度的不确定性多传感器系统的安装开始出现在研究项目中。

从不同的传感器上获得的资料本质上是不确定的，不精确的和不一致的.偶尔也可能是不完整的或部分的，虚假的或不正确的，有时，从传感器外观来看它往往是不相容的地域或几何空间之间的差异性。

我们所知的空间关系是物体之间也具有内在不确定性.就拿人造物体来说。

正是由于制造公差它可能存在不匹配的几何模型，人/机错误和其他自然资源的不确定性。

即使它能做到（微距级），一个传感器无法衡量的几何特征，并准确找到对象这是由于测量错误.甚至如果可以（在一定的误差范围内），机器人用传感器可能无法对预设的程序完全相同的操纵对象，可能是因为所有累积误差增加使最终定位效应错误。

这些错误可以归结为一个非常重要的层次，一些任务，通过重组解决方案，构建新的工作环境和使用专门适用于高精密的设备，但需要付出很多的时间和昂贵的设备[20]。

一个可供选择的解决办法可能是传感器融合发展战略这样可以减少和消除任何工程系统的不确定性，以达到理想的水平，在较小的成本，包括所有固有不确定性.本文重点制定一个频分双工，游离脂肪酸和基于人工神经网络的混合型传感器融合战略。

该组织的文件已被安排如下.第二部分简述了通过它的整体融合算法的计算步骤已制订和发展。

这些事态发展和主张已应用于在第3节中验证数据的综合观测模型.第四部分致力于实现应用开发杂交融合战略，以改善重复性硬件机器人。

其专门配置的RCS型机器人实验五自由度有效性已经得到了广泛的研究。

神经网络规范化融合算法也是目前的课题。

最后，在第5节的重要结果和推论已经列入研究目录中。

2.规范化的融合算法结构

融合算法的结构包括下列计算步骤：

（一）获取的信息通过加工多嘈杂的感应数据的不确定性是由个人的不确定性椭球决定的

（二）不确定性椭球合并的方式，以尽量减少体积融合不确定性椭球以适当转让的最佳加权矩阵。

（三）融合中的微分域（频分双工）已制定，以进一步减少不确定性的信息，精细的融合决议通过一个反复的过程，预测校正的条件对所有的感觉信息。

这些序列，然后融合和应用于融合提高信息的精度。

（四）裂变融合方法（FFA）是用来最大限度地减少不确定性显着的一些具体的传感器模型的协方差矩阵感官信息可以“被分裂”和信息从多个测量相同的传感器融合。

（五）神经网络模型的机械手已经制定的初步估计不确定性（均方误差）联合传感器可以进一步最小化的融合进程（裂变融合方法）。

融合的方法所代表的步骤

（一）和

（二）提供实物或相当几何了解的复杂信息处理，因为它涉及到融合的不确定性椭球的每一个人感觉信息。

鉴于一套不确定性椭球与每个传感器的联系，问题是转让权重矩阵（无线）与每套感觉系统，以便尽量减少几何量的不确定性椭球融合[17]。

参数代表信息Xi∈Rn通常是由一套感应观测资料决定的，Di∈Rmi，Rn代表欧氏空间，i代表第i个传感器，mi是每一个独立的测量数据，而n是层面的信息（i=1,...,N,N是一个个小传感器单元的总和），而Xi和Di是一个已知的有关非线性向量函数。

融合的信息Xf提供的线性组合

利用拉格朗日优化，我们的加权矩阵的几何优化融合为：

3.交互性用于提高感官信息

在多传感器融合系统的冗余和/或免费的传感器，每个传感器可以随时被视为个人信息来源的不确定性，能够沟通，合作和协调的其他成员遥感组。

在此基础上的结构，达兰特-怀特[7]提出了传感器模型描述为概率函数和决定国家通报从其他信息来源。

他们将这个传感器型号分为三个工作模式：

观察模式，即过程的计量特色依赖模型，介绍了传感器的依赖其他信息来源;和国家模式，它的特点是传感器依赖其位置和内部状态。

4.试验证明交互性（神经造影力量）方法处理不确定性的提高重复性的机器人机械手

在机器人操作，还有一些不确定性的来源：

（一）不确定性传感器，

（二）不确定性与致动器，（三）不确定性建模。

在本次调查，注意集中对不确定性传感器及其最小化.大多数工业机器人通过的放预先录制或预先序列步骤执行简单的重复性任务，此技术已指导过用户和入了教科书。

对于这种类型的性能，机器人不需要任何有关其工作环境的信息。

外部传感器并不重要的，因为我们已经知道机器人能够简单移动目标点。

一个“普遍接受”的一点是，机器人移动身体是由相应的关节位置传感器决定的，和已设置好的联合角值.然后，下一步的命令机器人是返回同一点空间，并存储每个关节的移动值。

控制的精度与机械手返回一个确定值有关，即所指定因子“可重复性的机械手。

”机器人应用一个不可缺少的能力，是能提供一个高速和高精度轨迹。

5.结论

未来的人形机器人将不得不在一个多传感器的工作工作环境中，融合信息需求的代表与最小不确定性.这种水平，取决于特定应用程序和复杂的分类处理信息的融合，直至最大限度地减少复位点。

本文提出并开发了一种杂交的传感器融合分类,包括三个层次的融合，几何融合，裂变融合方法（FFA），和融合中的微分域（FDD）。

这些针对的目的是最大限度地减少不确定性与任何类型已获得多个传感器或感官指令的信息的相关性.其FFA的技术本质是基于分裂（维数减少）的协方差矩阵，并考虑信息融合的各方面。

6.参考文献

1.Barshan，B.and达兰特，怀特，高频：

惯性导航系统的移动机器人协会Trans.RoboticsAutomat.11（3）（1995）,328-342。

2.Chen，W.Z，Korde，和Skaar，S.B：

位置控制的实验的分析，学者机器人Res.13（3）（1994）,199-208。

3.Dallaway，J.L，杰克逊，R,D和Gosine，R,G：

交互式机器人控制环境在重新移植中的应用，Robotica11（1993）,541-551。

4.Di，X，Ghosh，B.K，X，和Tzyh，J.T：

智能机器人操纵混合位置/力控制在一个未标定工作中的应用，在Proc.IEEEInternat.Conf.on机器人与自动化，1998年5月，pp.1671-1676。

5.Dodd，T.，贝利，A，和哈里斯，C.J：

一种数据驱动的策略，以传感器建模，估计，跟踪和数据融合，彼得沃尔斯和JO'Brien（EDS）等EuroFusion98，Internat.Conf。

数据融合，1998年，pp.103-111。

6.Duda，R.O，Hert，P.E，和Stock,D.G：

模式分类，纽约第二EDN杂志出版社，2001年。

7.Durrant，怀特，H.F：

传感器模型和多传感器融合，Internat.J.Robotics杂志。

7（6）（1988）,97-113。

8.Feng，L.和Brandt,R.D：

最优控制方法的鲁棒控制的机器人，符合IEEEInternat.Conf.on控制应用，1996年9月，pp.31-36。

9.Golfarelli,M.，Maio,D.，和Rizzi,S.：

校正航位推算错误地图建设移动机器人,IEEETrans.RoboticsAutomat.17

（1）（2001）,37-47。

FusionStrategiesforMinimizingSensing-Level

UncertaintyinManipulatorControl

Abstract：

Humanoidroboticapplicationsrequirerobottoactandbehavelikehumanbeing.Follow-ingsoftcomputinglikeapproachhumanbeingcanthink,decideandcontrolhimselfinunstructureddynamicsurroundings,whereagreatdegreeofuncertaintyexistsintheinformationobtainedthroughsensoryorgans.Intheroboticsdomainalso,oneofthekeyissuesinextractingusefulknowledgefromsensorydataisthatofcopingwithinformationaswellassensoryuncertaintyatvariouslevels.Inthispaperageneralizedfusionbasedhybridclassifier（ANN-FDD-FFA）hasbeendevelopedandappliedforvalidatingongeneratedsyntheticdatafromobservationmodelaswellasfromrealhardwarerobot.Thefusiongoal,selectedhere,isprimarilytominimizeuncertaintiesinroboticmanipulationtasksthatarebasedoninternal（jointsensors）aswellasexternal（visioncamera）sensoryinformation.Theeffectivenessofpresentmethodologyhasbeenextensivelystudiedwithaspeciallyconfiguredexperimentalrobothavingfivedegreesoffreedomandasimulatedmodelofavisionguidedmanipulator.Inthepresentinvestigationmainuncertaintyhandlingapproachincludesweightedparameterselection（ofgeometricfusion）byatrainedneuralnetworkthatisnotavailableinstandardmanipulatorroboticcontrollerdesigns.Theseapproachesinhybridconfigurationhassig-nificantlyreducetheuncertaintyatdifferentlevelsforfasterandmoreaccuratemanipulatorcontrolasdemonstratedherethroughrigoroussimulationsandexperimentations.

Keywords:

sensor,fusion,FDD,FFA,ANN,computing,manipulators,repeatability,accuracy,covariance,matrix,uncertainty,uncertaintyellipsoid.

1.Introduction

applications（industrial,military,scientific,medicine,welfare,householdandamusement）areincreasinglycomingupwithrecentprog-ressinwhicharobothastooperateinlargeandunstructuredenvironment[3,12,15].Inmostcases,theknowledgeofhowthesurroundingsarechangingeveryinstantisfundamentallyimportantforanoptimalcontrolofrobotmotions.Mobilerobotsalsoessentiallyhavetonavigateandoperateinverylargeunstruc-tureddynamicsurroundingsanddealwithsignificantuncertainty[1,9,19].When-everarobotisoperatinginanaturalnondeterministicenvironment,therealwaysexistssomedegreeofuncertaintyintheconditionsunderwhichagivenjobwillbedone.Theseconditionsmay,attimes,varywhileagivenoperationisbeingcarriedout.Themajorcausesleadingtotheuncertaintyarethediscrepanciesarisingintherobotmotionparametersandinthevarioustask-defininginformation.Theamountbywhichtheydifferfromthosecalledforintheprocessspecificationsmaynotalwaysbeinsignificant.Thesedeviationsmaybeduetoinaccuraciesinanalyticaldesignorinreproductionsofprogrammedmotionsorbecauseofdeterministicaswellasrandomerrorsinthealgorithms,measurementdata,datatransmissionlinks,andotherfactors.Changesinthestatusoftherobotlikeinstancesofmalfunctions,failures,shiftintheframeofreference,etc.,alsoleadtouncertaintyintheoperatingconditionsoftherobot.Thepresenceofsubstantialuncertaintysignificantlyaffectstherobotinthevariousstepsofsensingthestateofatask;inadaptingtothechangesthroughthecontrolsystem;andinreasoningtoselecttheactionsneededtoachieveagoal.

Infact,itisfeltthatoneofthekeyissuesinextractingusefulknowledgefromdataisthatofcopingwithuncertaintyatalllevelsandespeciallyatthesensinglevel.Alongwiththequantityoftheobservedsensorymeasurements,thequal-ityinvolvedalsoneedtobeinvestigatedintermsoftheresidualuncertaintyitpropagatestothedesiredsensoryinformation.

Inroboticsdomain,theuncertaintyprobleminthesensoryinterpretationlevelisaverycrucialoneforspecifictaskslikerobotisedspacestructuremanipulators,robotisedsurgeryetc.wherebothhighlevelofmachineprecisionandhumanlikeprehensionareneededThekeyprobleminthesensingprocessisinmakingtheconnectionbetweenthesignaloutputsofallthesensorsandtheattributesofthethree-dimensionalworld.Oneoftherecenttrendsistosolvetheproblemthroughsensorfusionandtherearenumerousfusiontechniquescoveringaverybroadspectrumofapplicationareas[10,13].Underthebackdropofthestudyoftheseresearchworks,itwasfeltthatthereisagreatneedforevolvingageneralizedandeasilyapprehensiblesoftcomputingbasedsensorfusionstrategy（humanoidapproach）formultiplesensorysystems.Thehumanoidapproachmakesitavailableforversatileapplications.Theeasilyapprehensiblecharacterofthedevelopmentmakesitparticularlysuitableforprocessingcomplex