智能機器人：從技能傳遞到人機協(xié)作

第一部分 智能機器人基礎
1 機器人學基礎
1.1 向量及其運算
1.2 剛體運動旋量表達
1.2.1 剛體旋轉
1.2.2 剛體運動的運動旋量和指數(shù)坐標
1.2.3 運動旋量坐標變換
1.2.4 力旋量
1.3 機器人運動學
1.3.1 運動學正解
1.3.2 運動學逆解
1.3.3 雅克比矩陣
1.4 機器人動力學
1.4.1 拉格朗日公式
1.4.2 力旋量和運動旋量公式
2 控制基礎
2.1 變分與歐拉一拉格朗日方程
2.2 最優(yōu)控制
2.2.1 極大值原理與有限時間LQR
2.2.2 動態(tài)規(guī)劃與HJB方程
2.2.3 DDP
2.2.4 隨機最優(yōu)和iLQG
3 視覺測量
3.1 標定
3.1.1 相機標定
3.1.2 手眼標定
3.2 基于視覺的測量
3.2.1 基于圖像矩的位姿測量
3.2.2 PnP(DLT)
4 智能基礎
4.1 監(jiān)督學習
4.1.1 Fisher線性判別分類
4.1.2 多元線性回歸
4.2 無監(jiān)督學習
4.2.1 K均值聚類
4.2.2 MCMC分布估計
4.3 強化學習
4.3.1 馬爾科夫決策過程
4.3.2 策略迭代
4.3.3 價值迭代
4.3.4 時間差分TD法
第二部分 智能機器人技能傳遞
5 策略表達
5.1 時間索引模型
5.1.1 DMPs模型
5.1.2 DMPs—iLWR模型
5.1.3 概率運動基元
5.1.4 多任務概率運動基元
5.2 狀態(tài)索引模型
5.2.1 DS模型
5.2.2 CDS模型
6 模仿學習
6.1 行為克隆
6.2 逆強化學習
6.2.1 學徒學習
6.2.2 生成對抗模仿學習
7策略提升
7.1 強化學習視角的機器人控制
7.2 基于值函數(shù)逼近的強化學習DQN算法
7.3 模型策略搜索
7.3.1 引導策略搜索
7.3.2 DDPG算法
7.4 無模型策略搜索
7.4.1 基于雙攝動的路徑積分策略提升
7.4.2 融合KCCA推斷的路徑積分策略提升
7.4.3 雙空間交替學習方法
7.4.4 基于啟發(fā)式信息導引的路徑積分策略提升
第三部分 智能機器人人機協(xié)作
8 基于時間索引的協(xié)作框架
8.1 ProMP人機協(xié)作模型
8.2 雙空間iProMP人機協(xié)作框架
8.3 時間索引協(xié)作中的避障規(guī)劃
8.3.1 改進的漸進最優(yōu)快速擴展搜索樹(RRT*)
8.3.2 引力變量的調整
8.3.3 有軌跡導向的路徑點選擇
8.3.4 雙空間協(xié)作避障規(guī)劃
8.4 多任務協(xié)作概率運動基元
8.4.1 模型定義
8.4.2 參數(shù)估計
8.4.3 實驗分析
9 基于狀態(tài)索引的協(xié)作框架
9.1 融合動態(tài)人機協(xié)作模型
9.1.1 融合動態(tài)協(xié)作框架
9.1.2 軌跡預測以及人機協(xié)作動態(tài)系統(tǒng)穩(wěn)定性分析
9.2 狀態(tài)索引協(xié)作中的避障規(guī)劃
9.2.1 在線避障算法
9.2.2 狀態(tài)索引協(xié)作中的避障規(guī)劃
10 多模態(tài)感知與手勢意圖識別
10.1 基于穿戴的運動捕捉
10.1.1 人體上肢運動學
10.1.2 姿態(tài)解算
10.2 基于雙目視覺實現(xiàn)目標檢測和度量
10.2.1 目標檢測算法
10.2.2 雙目視覺下推導空間坐標
10.2.3 空間障礙物坐標檢測
10.3 基于GeoConGAN的人手3D位姿估計
10.3.1 基于U—Net的輪廓提取
10.3.2 基于CycleGAN的數(shù)據(jù)集生成
10.3.3 基于ResNet50的回歸網(wǎng)絡
10.3.4 GeoConGAN的人手3D位姿估計框架
10.3.5 小結
10.4 基于語義意圖的猜拳手勢識別
參考文獻