论文部分内容阅读
目前乒乓球机器人系统普遍存在两个难题:首先,乒乓球高速运动时,机器人较难在短时间内做出反应;其次,机器人无法识别来球类型(如下旋、上旋、无旋等),不能判断来球是否旋转以及旋转方向,这就造成机器人回球策略单一、应变能力差。针对这两个问题,本文对乒乓球机器人系统中乒乓球轨迹展开研究,主要包括轨迹预测以及旋转球轨迹分类两部分。乒乓球轨迹预测是乒乓球机器人研究当中的基础。基于Extreme Learning Machines(ELM)算法对乒乓球轨迹进行预测时,首先获取真实的人机对打数据,并提取连续10帧的位置信息与速度信息选取特征,将其作为ELM算法的输入数据,然后进行归一化处理,创建ELM算法模型,输出结果为后20帧的位置信息。通过多次实验我们发现了原始ELM算法的不足,进而我们改进了ELM算法通过设置精度阈值以及历史数据离线学习,保存隐含层权值矩阵的方法保存训练好的ELM模型。最后通过实验验证改进ELM算法的可行性与适用性。利用Error Back Propagation(BP)神经网络对乒乓球轨迹进行预测时,选取与ELM算法同样的数据以及预测方法。创建BP预测网络,输出同样是连续的后20帧位置信息。通过对大量历史数据进行离线学习,将训练效果最好的网络保存,利用保存的网络模型对新的乒乓球轨迹进行预测,验证了BP神经网络的可行性。最后我们加入了BP神经网络与改进ELM算法在实验结果上的对比,验证了BP神经网络在精度上的优势以及ELM算法在反应时间上的优势,最终综合考虑我们认为在轨迹预测工作上,ELM算法更加适用于乒乓球机器人。利用ELM算法对旋转球运动轨迹分类时,经过多次实验,最终选择旋转球运动轨迹中每一帧的位置、速度作为特征。将旋球运动轨迹中连续10帧的位置、速度作为ELM算法的输入数据,对其进行归一化预处理,然后创建改进的ELM模式识别网络,输出则为该轨迹对应的击球类型。离线学习了大量数据,通过保存的权值矩阵对不同的旋转球轨迹进行分类。最后我们加入了BP神经网络分类器作为对比,并进行了实验,结果证明与基于BP的分类器相比,ELM算法精度相对低了一些,但是分类时间上的优势非常明显。