半参数深度学习机械手逆动力学建模方法对智能城市和工业应用

文摘

智能城市和工厂,机器人应用程序需要精度高和安全,依赖于精确的逆动力学建模。然而,物理建模方法不能包括机械手的不确定性因素,如灵活性、关节间隙和摩擦。摘要半参数深度学习(SDL)方法提出了机器人逆动力学模型。SDL是一种深度学习框架,为最优设计推理,结合刚体动力学(RBD)模型和非参数深度学习(NDL)模型。SDL模型利用经典RBD的全球特性和强大的拟合能力的深度学习的方法。此外,SDL模型的参数和非参数部分可以优化在同一时间,而不是单独优化。该方法是使用实验,验证UR5机器人平台上执行。结果表明,SDL的性能模型优于RBD模型和NDL模型。SDL总是可以提供相对准确的关节转矩预测,即使RBD或NDL模型是不准确的。

1。介绍

智能城市和工厂包含“智能”的东西可以自主和协作提高生活质量和工作条件,拯救人类的生命,作为一个可持续发展的资源生态系统。实现这些先进的协作技术,如无人机、机器人、人工智能、物联网、应增加智能城市和工厂的“智能”,通过提高连通性、能源效率和服务质量,1]。有很多优秀的应用程序的情况下,如(2- - - - - -4]。特别是智能机器人平台技术,越来越多地使用,在智能城市和工厂,不断变化的应用程序场景也在机器人控制地方更高的要求。具体来说,在运动控制系统中,有一个时间延迟反馈信息的传播,使光滑的运动不可能仅靠反馈控制实现。因此,前馈控制变得尤为重要。在机器人,前馈控制通常指的是基于模型的控制,包括机器人的动态平台。这样的动态模型的准确性是至关重要的兼容的控制律的发展,节能,安全5]。

机器人动力学建模的主要方法有两种:参数和非参数。参数方法依赖于参数化牛顿物理机器人的动力学模型。常见的基于物理动力学建模方法可以在文献中找到。这些方法需要刚体的力学参数,组合机器人,被识别(6- - - - - -9),然后采用基于模型的控制和状态估计方案(10]。这些模型的优点是,他们代表了全球和独特的关节轨迹之间的关系 和扭矩 。这种类型的逆动力学模型可以有效地计算和实时应用。因此,大量的先验知识是后天获得的,而不需要的数据。例如,众所周知,机器人受到引力,粘性力,和关节约束,使其浪费需要经历一个艰难的数据采集和机器学习过程中,发现这些著名的约束。参数模型的缺点是,他们只是实际系统动力学的原油理想化,如刚度的链接或一个简单的解析形式的摩擦,在实际系统可能并不准确。在传统的工业机器人的情况下,这些未建模动力学往往被忽略。然而,对于现代机器人平台,这些遗漏和简化导致显著的控制效率低下。

另外,该模型可以获得实验数据,利用机器学习技术,导致非参数模型。非参数方法,基于支持向量回归(SVR)算法等(11- - - - - -13),神经网络(NN) [14- - - - - -16),局部加权回归(LWPR)[投影17- - - - - -19),独立联合学习(IJL) [20.- - - - - -22),或高斯过程回归(GPR) (23- - - - - -27),可以通过推断模型动力学直接从可用数据的输入-输出关系。如果选择合适的核函数或学习架构,那么非参数模型是一个通用近似者可考虑动力学因素,不考虑的参数模型。因此,非参数方法可以更灵活的使用和在捕捉强大的高阶非线性,导致更快的模型近似和更高的学习精度。当学习的逆动力学,非参数方法将近似函数描述的关系 ,包括所有采样数据非线性编码。

非参数方法尝试从头学习模型,因此,不利用任何知识可以从分析机器人。然而,非参数学习方法也表现出一些缺陷。首先,大量的数据是必要的获得一个足够精确的模型和预测整个输入空间(28]。其次,由于非参数模型依赖于当地社区培训数据做出预测,他们不推广到未知的国家地区,很少或根本没有受过培训数据是可用的。覆盖整个状态空间变得难度指数,的复杂性和多自由度机器人系统的增加。因此,如果只有小和相对贫穷的数据集是可用的,非参数模型将无法概括对未知数据。第三,它确实是浪费需要经历一个艰难的数据采集和机器学习过程发现刚体动力学等著名的先验知识。

因此,它似乎相当理想的结合参数和非参数方法的优点来改进上述问题。然而,这样做,在一个有效的方式,并不是一蹴而就的。一个合理的方法是首先满足参数模型,然后配合非参数模型所做的错误参数模型。Nguyen-Tuong et al。29日)提供一个学习技术相结合先验知识对机械系统的物理结构和学习使用高斯过程回归可用数据(GPR) [30.]。类似的方法介绍(20.]和[31日]。在[32),增量半参数机器人动力学学习方案,基于局部加权投影回归(LWPR),初始化使用线性化参数模型,提出了(33]。然而,这种方法使用一个固定参数模型,不更新,随着新数据变得可用。此外,LWPR已被证明表现不佳对其他方法(例如,34])。这些半参数方法,如上所述,不能受益于同时优化参数和非参数模型。相反,非参数模型,参数识别后,这可能导致非最优模型。此外,它可以知道,没有基于深度学习的半参数方法的方法。

深入学习是机器学习的新方法,已广泛应用于智能城市和工厂(35]。深度学习已经被证明是非常善于发现高维数据中复杂的结构,因此适用于许多科学领域,商业,和政府。因为它需要很少的工程,它可以很容易地利用可用的计算资源和数据量增加(36]。在这项工作中,方法是基于深度学习和半参数方法。方法形式化的框架中所谓的半参数深度学习(SDL),使用的参数组合为最优设计推理RBD和非参数深度学习模型。该方法的关键属性是(1)适当的深度学习框架半参数方法和(2)的特性,可以同时优化参数和非参数模型。该方法是用实验进行验证UR5机器人。本文组织如下。节2的完整描述,提出了半参数介绍了深度学习框架。部分3介绍了验证该方法在UR5机器人平台。最后,部分4总结的内容提出了工作。

2。方法

参数的建模方法和NDL, SDL方法的基础上,阐述了在先前的研究出版物(37,38]。因此,本节只简要地综述了以上两种方法,同时分析了SDL建模方法,提出了。

2.1。参数的机器人动力学模型

众所周知,机器人动力学建模可以根据以下(39]: 在这 关节位置、速度和加速度的机器人,分别 表示关节力矩,是机器人的广义惯性矩阵, 科氏力和向心力,是重力。如方程所示(1),机器人动力学方程包含刚体动力学(RBD)模型:

该模型的错误 是由未建模动态(例如,液压管,传动机构动力学,和电缆的灵活性和动态驱动器),ideal-joint假设(例如,没有摩擦和间隙),RBD模型参数和不准确的地方。RBD的操纵者是众所周知的是线性的有关参数β(39),即 在这是一个矩阵包含非线性关节角的函数,速度,加速度,通常称为基函数。对机器人动力学建模,使用RBD模型方程(3),需要识别的动力学参数 。6自由度(自由度)UR5机器人,例如,60动力学参数识别(对于每一个自由度,有10个参数,理论上可以获得直接从CAD数据)。

2.2。非参数深度学习模型

2.2.1。NDL配方

的逆动力学模型,基于模型的控制,被描述为从联合的映射位置,速度,加速度和扭矩,见方程(1)。非参数学习模型的目的是预测的扭矩值关节, ,查询的反应点 ,通过使用给定的n训练数据, ,在这 和 。因为这个问题可以被视为一种监督学习问题,可以使用任何监督学习技术的学习过程,如图所示

深度学习方法representation-learning方法和多层的代表,通过组合简单但非线性模块,每个改变表示在一个级别(从原始输入)表示在一个更高、更抽象的水平。等的构成足够的转换,可以学到非常复杂的机器人动力学函数(36,40]。因此,应用深度学习太众多的情况下,如(41- - - - - -45]。

机械手逆动力学的连续性质表明,预测关节转矩模型之间的关系是很重要的连续数据点(39]。RNNs,一种深入学习网络,可以被看作是很深的前馈网络,所有层共享相同的权重。虽然他们的主要目的是确定长期的依赖关系,理论和实证证据表明,很难学很长时间的存储信息(46]。LSTM网络比传统RNNs后来被证明是更有效的,尤其是当有几层在每一个时间步[48],使一个完整的语音识别系统,从声学的字符序列转录。LSTM网络或相关形式的封闭的单位也是目前使用的编码器和译码器网络,在机器翻译(表现很好47- - - - - -49]。此外,研究[38]和[50)证实的有效性应用LSTM机械手逆动力学的预测。因此,在本节中,提出LSTM网络作为建模的非参数技术学习机械手的逆动力学。

2.2.2。NDL模型架构

本文提出了非参数深度学习网络的体系结构有一个输入层、一个LSTM层,一层接触,一个辍学层和一个输出层,如图1。只使用1 LSTM层,因为它已经证实在我们先前的研究,与相同数量的神经元,层次越少,更好的预测性能(38]。

输入层有18个神经元(机械手是6关节位置、速度6和6加速度,如图2)。

LSTM细胞的激活功能状态设置为“双曲正切,”虽然门激活函数设置为“乙状结肠。“根据Glorot初始化输入权值初始化。忘记门偏见是最初设置为1,其余偏见设置为0。采用反向传播训练算法。

2.3。提出了半参数深度学习(SDL)模型

在本节中,提出了半参数模型,基于深度学习和RBD,详细描述。方法形式化的框架中所谓的半参数深度学习(SDL),可以用来预测一个机械手臂的关节转矩更准确。首先,介绍了SDL的配方2.3.1,而SDL中描述的特定模型架构部分2.3.2。

2.3.1。SDL配方

使用非参数深度学习(DL)框架,可以将机器人动力学建模 ,在这 是输入和深度学习的输出模型。因此,DL模型不使用任何先验知识,它允许任意繁殖功能。一种方法包括RBD模型,如方程所示(5),是设置作为DL的输入模型。这种方法相当于半参数模型:

生成的动力学模型,描述方程(5),是一种半参数帧包含一个参数,即。,RBD模型。当比较方程(5)的机器人动力学方程(1),它变得明显,非参数项的主要目的是吸收了未建模动态 。为了近似未建模动态和适当的DL可以使用一个模型,如或LSTM款。关键属性的半参数学习方法(1)雇佣合适的深度学习框架作为非参数部分,(2)特性,可以同时优化参数和非参数模型;即。,the value of也将更新后的重量变化随着学习过程的发展。

如果RBD模型完全描述了机器人动力学,错误 在方程(1)将消失,预测将只取决于RBD的部分;即。,it is very easy to train deep learning networks. Equation (5)还表明,如果查询点远离训练数据,由此产生的转矩预测将主要依赖于RBD的部分。这个属性很重要,因为完整的状态空间不能完全包括使用有限的训练数据集(可能还有小)。如果该机器人移动到状态空间的区域,由抽样数据(即不考虑。,the learned nonparametric models may not generalize well in these state space regions), the torque prediction will rely on the parametric RBD part.

2.3.2。SDL模型架构

NDL模型的有效性验证在以前的工作了40]。SDL模型本文提出了增加一个RBD术语NDL架构。其具体模式体系结构如图3。输入的SDL架构仍然是 。但是,与NDL,输入通过RBD项,形成了新的输入向量 。接下来,新的输入向量进入LSTM隐藏层。此体系结构的优点是可以同时优化参数和非参数部分;即。,the weight of在特征向量也将更新网络培训。网格搜索方法用于优化hyperparameters SDL的模型。

3所示。评价

提出了SDL方法将验证在一个协作机器人UR5,而转矩预测结果将比那些由NDL方法。培训和生成预测的预测性能评估有节奏的运动任务。关节角,关节速度,加速度,和联合使用记录扭矩GUI(图形用户界面),即PolyScope,便于程序的机器人所需的工具沿着一条轨迹移动路径。

3.1。实验装置

UR5是6自由度机器人协作挤压铝管和关节。它有六个旋转接头,其结构如图4。UR5机器人的关节旋转范围(−2π,2π](拉德)和联合加速度范围(0,π](拉德/ s²)。UR5机器人是机器人研究领域非常流行。

根据机器人旋转角和安装限制,选择机器人的工作空间是一个半球的近似半径850毫米以上的安装平面。关节运动的范围如表所示1。为了最好的近似机器人的实际工作情况,在选定的机器人工作空间,1000点是随机选择的。根据机器人的实际使用需求,联合运行速度范围(0.8 - 2)拉德/年代,而加速度范围是(1 - 1.8)拉德/年代。

机器人是有序的运行节奏,根据设定的轨迹。关节的位置、速度和伺服电机电流数据,沿着机器人轨迹,机器人控制器的交付100赫兹的频率。自从UR5机器人不配有扭矩传感器,测量转矩得到间接通过电机电流,在每一个关节。转矩和电流之间的关系如下(51]: 在这齿轮传动比, ; 电机常数, , , ;和电机电流(一个)。

在实际操作过程中,机器人受到噪声的影响,使得采样数据波动。在这种情况下,将会有大的波动和涟漪在实际测量电流,严重影响扭矩预测的准确性。平均数据的方法可以提高数据的信噪比(52),减少噪声的影响,提高预测精度。联合平均位置可以表示如下: 在这米数量的运行轨迹,k采样点的运行轨迹,然后呢后的位置米平均的时期。同样的方法用于处理速度和电流。零相位低通巴特沃斯滤波器(正向和反向IIR巴特沃斯滤波器)的截止频率低通1 Hz用于过程平均的位置和速度( )。获得的加速度是由中央差分法(53]。数据处理是重要的参数识别的准确性,使上面的处理非常合适,因为它避免了大偏差识别。

总共有1000组(108008)的有效样本。根据80%到20%的比例,他们被分成训练集和测试集,在服务K倍交叉验证。此外,测试数据是保证足够的训练数据,突出学习模型的泛化能力。使用上面的样本集训练和测试NDL模型和SDL模型,分别同时还分析和比较了预测性能。

所有输入和输出数据归一化匹配学习模型的一致性。预测后的逆动力学,恢复真正的价值。归一化方程如下: 在这代表了规范化的价值;表示真正的价值;和和分别是最小和最大的价值。

机械手逆动力学性能的预测评估使用均方根误差(RMSE),定义如下: 在这和分别代表的第i个预测值和实际价值,和N是数据集的总数。

4所示。结果

摘要训练和预测进行了MATLAB 2019,使用一个普通的个人电脑。计算机硬件在训练时间有很大影响。在这部作品中,模型训练在CPU时钟速度的2.7 GHz。的结构和hyperparameters NDL和SDL模型最初是根据以前的工作,虽然最后设置确定基于5倍交叉验证方法。

RBD的预测结果,NDL, SDL模型表中列出2。表中的数据显示了RBD的RMSE NDL,和SDL模型,在不同的机器人轴和在不同交叉的情况。基于表2,下面的结论:(1)“平均”(图的结果5)表明,SDL的预测精度比之一NDL通常更准确,NDL通常比RBD更准确。同时,SDL模型的预测精度第一3轴机器人的显著改善。(2)“轴”(图的结果6)表明,预测精度NDL模型有时比RBD的模型(交叉3、4、5),而有时是更糟(1,2)。然而,NDL模型比RBD模型(平均)一般来说,虽然SDL模型的预测精度的总是比其他两个模型。(3)所有的数据表2表明,半参数模型可以结合两种模型的优点,即。,参数RBD模型和非参数深度学习模型。SDL的预测精度模型总是比RBD和NDL模型。

RMSE不足以完全代表转矩的性能预测,因为机器人的各关节的扭矩变化范围千差万别。因此,交叉的比率平均RMSE测量扭矩值的范围是用于进一步分析不同关节的预测性能。如表所示3、转矩预测性能的前三个关节(肘部)优于过去三(手腕)关节。

每个关节力矩的测量值的一部分,RBD预测价值,NDL预测值,SDL预测值都绘制在图7。数据7(一)- - - - - -7 (f)的预测时刻轴1 - 6轴,分别;数据7 (g)- - - - - -7(左)的预测错误的时刻轴1 - 6轴,分别;紫色曲线代表了测量扭矩值,蓝色代表使用RBD方法计算扭矩值,红色代表DL预测扭矩值,黄色代表了SDL预测扭矩值。图7表明,SDL模型结合了RBD模型和NDL模型的优势。例如,通过红色虚线框,如图所示7,当RBD的转矩预测误差很大,非参数部分的工作方式,大大提高了SDL模型的预测精度。另外一个例子,绿色虚线框表示在图所示7,当学习了非参数模型没有推广状态空间区域,转矩预测将依靠参数RBD的部分。

5。结论

在这个工作中,半参数深度学习(SDL)方法提出了机器人逆动力学模型,智能城市和工业应用。SDL模型利用经典的全球特征RBD和深度学习的强大的拟合功能的方法。此外,SDL模型可以同时优化参数和非参数模型,而不是单独的优化。UR5机器人上的结果表明,SDL模型提供了更高的精度和更好的泛化,比起RBD和NDL。SDL模型的本质是充分利用先验信息编码的参数化模型,克服NDL方法的局限性,总是显示良好的学习性能。未来的工作而言,动态的灵活的因素将被视为SDL模型,为了提高预测准确性的性能。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家重点研发项目(没有。2017 yfb1302100)。

引用

1. j .江f·林,j .风扇et al .,“目的地预测网络基于时空数据的自行车,”复杂性ID 7643905条,卷。2019年,14页,2019。视图:出版商的网站|谷歌学术搜索
2. l . g . Li张、y太阳和j .香港”对面肌手:物联网传感器和触觉反馈应用程序中,“多媒体工具和应用程序,卷78,不。21日,第29782 - 29765页,2019年。视图:出版商的网站|谷歌学术搜索
3. y y, g . Li廖et al .,“手势识别基于一种改进的局部稀疏表示分类算法,”集群计算,22卷,不。S5, 10935 - 10946年,2019页。视图:出版商的网站|谷歌学术搜索
4. j .气江g, g . Li y太阳,和b .道,“基于表面EMG手势识别、智能人机交互”IEEE访问7卷,第61387 - 61378页,2019年。视图:出版商的网站|谷歌学术搜索
5. b .西西里岛舞蹈和o .哈提卜,动态,施普林格手册的机器人施普林格,柏林,德国,2008年。
6. k . Yamane”实际控制力人形机器人运动学和动力学标定方法,”学报11日IEEE-RAS国际会议在人形机器人ICML,页269 - 275年,流血,斯洛文尼亚,2011。视图:谷歌学术搜索
7. s . Traversaro公元Prete, r . Muradore l .纳塔尔和f .紫菜,“惯性参数识别包括摩擦和电机动力,”13日IEEE-RAS学报》国际会议在人形机器人,页68 - 73年,亚特兰大,乔治亚州,美国,2013年。视图:谷歌学术搜索
8. y小川、g .风险和c·奥特”动态参数识别的类人机器人使用关节转矩传感器和/或接触力,”14日IEEE-RAS学报》国际会议在人形机器人,页457 - 462年,亚特兰大,乔治亚州,美国,2014年。视图:谷歌学术搜索
9. j . Hollerbach w·哈利勒,m . Gautier“模式识别”,施普林格手册的机器人施普林格,柏林,德国,2008年。
10. r . Camoriano s Traversaro l . Rosasco et al .,“增量半参数的逆动力学学习,”诉讼的IEEE机器人与自动化国际会议上)举行(“国际机器人与自动化会议”IEEE,页544 - 550年,巴黎,法国,2016年。视图:谷歌学术搜索
11. Y.-P。赵,Y.-B b . Li。李,K.-K。王”,户主基于变换的稀疏最小二乘支持向量回归,”Neurocomputing卷,161年,第253 - 243页,2015年。视图:出版商的网站|谷歌学术搜索
12. d . Nguyen-Tuong b Scholkopf j·彼得斯,“稀疏网络模型学习机器人控制与支持向量回归”《IEEE / RSJ智能机器人和系统国际会议IEEE,页3121 - 3126年,马德里,西班牙,2009年。视图:谷歌学术搜索
13. 崔y S.-Y。畅,n . Schweighofer”当地的在线学习支持向量回归的控制”《2007年IEEE国际研讨会上计算智能机器人和自动化十三至十八页,IEEE,杰克逊维尔,佛罗里达州美国,2007年6月。视图:谷歌学术搜索
14. h·森y Ohama: Fukumura, y Uno,“学习真正的机器人的逆动力学前方传播学习规则,”电气工程在日本,卷161,不。4,38 - 48,页。2007。视图:出版商的网站|谷歌学术搜索
15. n Ishibashi y Maeda,“学习SCARA机器人的逆运动学”马夫年会学报》上高松,页1300 - 1303年,日本,2011年9月。视图:谷歌学术搜索
16. o .肯和m . Yutaka“学习的逆运动学和逆运动学两连杆SCARA机器人使用神经网络”马夫年会学报》上高松,页1031 - 1034年,日本,2011年9月。视图:谷歌学术搜索
17. s . Vijayakumar a D’索萨,s . Schaal“增量在高维度、在线学习”神经计算,17卷,不。12日,第2634 - 2602页,2005年。视图:出版商的网站|谷歌学术搜索
18. Schaal Vijayakumar和美国“快速、高效的增量学习对于高维运动系统,”诉讼的IEEE机器人与自动化国际会议上,卷2,页1894 - 1899,IEEE,蒙特利尔,加拿大,2000。视图:谷歌学术搜索
19. j·s·d·l。克鲁斯,学习为机器人机械手逆动力学控制滑铁卢大学,滑铁卢,加拿大,2011。
20. t . t .嗯,m . s .公园,j .公园”“独立联合学习:一种新颖的任务转移学习方案机器人模型,“2014年”诉讼的IEEE机器人与自动化国际会议上)举行(“国际机器人与自动化会议”IEEE,页5679 - 5684年,巴黎,法国,2014年。视图:谷歌学术搜索
21. k . Caluwaerts和j·j·斯泰尔,”独立联合学习实践:局部误差估计提高逆动力学控制,”学报2015年IEEE-RAS 15国际会议人形机器人(机器人)IEEE,页643 - 650年,2015年11月首尔,韩国。视图:谷歌学术搜索
22. Z Shareef、p·穆罕默迪和j·斯泰尔,“改善的逆动力学模型库卡轻水反应堆IV +使用独立的联合学习∗∗Z。Shareef收到从德国联邦教育和研究的资助(BMBF)前沿集群内部的竞争。p·穆哈马迪收到资金从欧洲共同体的地平线2020机器人程序ict - 23 - 2014 644727 - cogimon根据授权协议,”IFAC-PapersOnLine卷,49号21日,第512 - 507页,2016年。视图:出版商的网站|谷歌学术搜索
23. k .茶多任务学习与高斯过程研究所,适应性和神经计算、信息学院的爱丁堡大学,爱丁堡,苏格兰,2010。
24. m . Deisenroth j·彼得斯和c·拉斯穆森,“与高斯近似动态规划过程,”诉讼的美国控制会议,页4480 - 4485,科罗拉多州的丹佛市,2008。视图:谷歌学术搜索
25. m . Deisenroth和c·r·皮尔克”基于模型和dataefficient政策方法搜索”美国八分之二十的机器学习国际会议贝尔维尤,ICML佤邦,2011年美国。视图:谷歌学术搜索
26. d . Nguyen-Tuong和j·彼得斯,”当地的高斯过程回归实时的基于模型的机器人控制,”智能机器人和系统的国际会议澳门,页380 - 385年,中国,2008。视图:谷歌学术搜索
27. a . Rottmann和w . Burgard学习非平稳系统动力学使用高斯过程,在线”模式识别在计算机科学的课堂讲稿卷,6376年,第201 - 192页,2010年。视图:谷歌学术搜索
28. d . Nguyen-Tuong j·彼得斯,m·西格”与非参数回归模型计算转矩控制,”《2008年美国控制会议ACC,西雅图,华盛顿,美国,2008年。视图:谷歌学术搜索
29. d . Nguyen-Tuong j·彼得斯,“用知识学习的逆动力学模型,”学报2010年IEEE机器人与自动化国际会议上安克雷奇,页2677 - 2682年,正义与发展党,美国,2010年5月。视图:谷歌学术搜索
30. c·e·拉斯穆森和c k·威廉姆斯,高斯过程机器学习美国女士剑桥,麻省理工学院出版社,2006年。
31. t .吴邦国委员长和j . Movellan机器人系统识别Semi-Parametric高斯过程——,班加罗尔,印度,2012。
32. j .太阳de la Cruz, d . Kulic w·欧文,e . Calisgan和e·克罗夫特,“在线学习机械手控制动态模型,”IFAC机器人控制,10卷,不。1,第874 - 869页,2012。视图:出版商的网站|谷歌学术搜索
33. Schaal Vijayakumar和美国“局部加权回归,投影”在高维空间实时增量学习。“ICML摩根考夫曼,页1079 - 1086年,伯灵顿女士,美国,2000年。视图:谷歌学术搜索
34. a . Gijsberts和g . Metta“增量学习使用随机的机器人动力学特性,”学报2011年IEEE机器人与自动化国际会议上,第956 - 951页,上海,中国,2011年5月。视图:谷歌学术搜索
35. l, c·p·Lim, j .汉”复杂的深度学习与进化计算模型在计算机视觉中,“复杂性卷,2019篇文章ID 1671340, 2页,2019。视图:出版商的网站|谷歌学术搜索
36. y LeCun (y Bengio g·辛顿,“深度学习”,自然,卷521,不。7553年,第444 - 436页,2015年。视图:出版商的网站|谷歌学术搜索
37. b . n, l . Li郝et al .,“逆动态建模与仿真多自由度重型液压机械手,”国际期刊的机电一体化和应用力学,卷2,不。6,87 - 96年,2019页。视图:谷歌学术搜索
38. b . n, l . Li郝et al .,”机器人逆动力学建模与仿真使用LSTM-based深学习算法进行智能城市和工厂,”IEEE访问7卷,第173998 - 173989页,2019年。视图:谷歌学术搜索
39. m . w . Spong、美国哈钦森和m·维德雅瑟格机器人动力学和控制约翰•威利& Sons纽约。美国新泽西,2006。
40. A . Hernandez-Blanco b . Herrera-Flores d·托马斯et al .,“系统回顾教育数据挖掘的深度学习的方法,”复杂性卷,2019篇文章ID 1306039, 22页,2019年。视图:出版商的网站|谷歌学术搜索
41. y z . j . g . Li Li Ju,太阳,和j .香港“一种新的特征提取方法,机器学习基于表面肌电图从健康的大脑,”神经计算和应用没有,卷。31日。12日,第9022 - 9013页,2019年。视图:出版商的网站|谷歌学术搜索
42. y . w . Cheng太阳,g, g .江和h·刘,”联合网络:网络基于CNN和遏制手势识别,”神经计算和应用没有,卷。31日。S1, 309 - 323年,2019页。视图:出版商的网站|谷歌学术搜索
43. d . g . Li江、周y g .江j .香港和g . Manogaran”人类的损伤检测方法基于图像信息和大脑的信号,”IEEE访问7卷,第11542 - 11533页,2019年。视图:出版商的网站|谷歌学术搜索
44. d .江g . Li y太阳,j .香港和b .道,“基于骨架化算法和CNN美国手语手势识别数据库,”多媒体工具和应用程序,卷78,不。21日,第29970 - 29953页,2019年。视图:出版商的网站|谷歌学术搜索
45. 平安险,“行人通过算法基于优化深度学习顺序内存模型中,“复杂性,2019年。视图:谷歌学术搜索
46. y Bengio、p . Simard和p . Frasconi”学习与梯度下降的长期依赖性是困难的,”IEEE神经网络,5卷,不。2、157 - 166年,1994页。视图:出版商的网站|谷歌学术搜索
47. 即Sutskever, o . Vinyals诉勒,“序列序列学习神经网络,”先进的神经信息处理系统,第3112 - 3104页,2014年。视图:谷歌学术搜索
48. k .赵b . Van Merrienboer c Gulcehre et al .,“学习短语表示使用RNN encoder-decoder统计机器翻译,”点火的2014会议在自然语言处理的经验方法1734年,页1724 -多哈,卡塔尔,2014年10月。视图:谷歌学术搜索
49. d . Bahdanau k .赵,y Bengio”神经由共同学习对齐和翻译,机器翻译”第三届国际会议上学习表示学报》上圣地亚哥,ICLR CA,美国,2015年。视图:谷歌学术搜索
50. e . Rueckert m . Nakatenus s Tosatto et al .,“学习的逆动力学模型在时间和LSTM网络,“2017年”学报IEEE-RAS 17人形机器人技术国际会议(机器人)圣塔莫尼卡,页811 - 816年,CA,美国,2017年11月。视图:谷歌学术搜索
51. n . Kovincic a·穆勒h . Gattringer et al .,“UR5通用机器人的动态参数识别”学报ARW & OAGM车间斯泰尔,页44-53,奥地利,2019年5月。视图:谷歌学术搜索
52. 江,江m、y曹et al .,“一个典型的动态参数识别方法6-degree-of-freedom工业机器人,”美国机械工程师学会学报》上,我部分:系统和控制工程杂志》上,卷231,不。9日,第752 - 740页,2017年。视图:出版商的网站|谷歌学术搜索
53. j·金和n·甘斯,”参数识别与快速、强劲的工业机器人轨迹设计方法,”机器人和电脑一体机制造,卷。31日21,2015页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020南刘et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。