本發(fā)明涉及體素機(jī)器人，具體涉及一種基于分層貝葉斯概率模型的體素機(jī)器人形態(tài)優(yōu)化方法。

背景技術(shù)：

1、體素軟體機(jī)器人(voxel-based?soft?robots，vsrs)由彈性模塊(即體素)按網(wǎng)格狀相互連接而成，體素能夠在外力和自身驅(qū)動(dòng)器共同作用下擴(kuò)張或收縮，從而實(shí)現(xiàn)機(jī)器人姿態(tài)變化。相較由剛性材料和關(guān)節(jié)驅(qū)動(dòng)器構(gòu)成的剛體機(jī)器人，vsr具有靈活、精準(zhǔn)、穩(wěn)定等優(yōu)勢，不但能夠完成平地行走等簡單任務(wù)，還可以自由地在崎嶇地形上移動(dòng)，或完成復(fù)雜的物體操縱任務(wù)。然而，vsr的復(fù)雜構(gòu)造也對(duì)其形態(tài)優(yōu)化過程提出更高要求。

2、現(xiàn)有方法多采用“形態(tài)-控制協(xié)同優(yōu)化”的雙層范式來實(shí)現(xiàn)vsr的優(yōu)化，內(nèi)層控制優(yōu)化借助各類強(qiáng)化學(xué)習(xí)算法為給定形態(tài)訓(xùn)練控制策略、從而評(píng)估其對(duì)環(huán)境的適應(yīng)度，外層形態(tài)優(yōu)化則基于適應(yīng)度評(píng)價(jià)對(duì)機(jī)器人形態(tài)進(jìn)行迭代更新，且以優(yōu)化算法居多。然而，優(yōu)化算法易于過早收斂至某一類優(yōu)勢形態(tài)而無法保證多樣性。

3、近些年來，概率生成模型在圖像生成和復(fù)雜幾何結(jié)構(gòu)建模中得到廣泛應(yīng)用，部分研究采用概率生成模型識(shí)別機(jī)器人優(yōu)勢形態(tài)并保持形態(tài)多樣性。但現(xiàn)有概率生成模型采用“任務(wù)-體素”的簡單模型結(jié)構(gòu)，導(dǎo)致參數(shù)規(guī)模大、優(yōu)化效率低。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述現(xiàn)有技術(shù)中存在的部分或全部技術(shù)問題，本發(fā)明提供一種基于分層貝葉斯概率模型的體素機(jī)器人形態(tài)優(yōu)化方法。

2、本發(fā)明的技術(shù)方案如下：

3、提供了一種基于分層貝葉斯概率模型的體素機(jī)器人形態(tài)優(yōu)化方法，該方法包括：

4、構(gòu)建形態(tài)生成模型：構(gòu)建包含“任務(wù)-個(gè)體-器官-體素”四層邏輯結(jié)構(gòu)的分層貝葉斯概率生成模型，用于描述任務(wù)、個(gè)體、器官及體素的關(guān)聯(lián)性，各層次之間通過多項(xiàng)分布及其先驗(yàn)關(guān)系建模，描述形態(tài)生成過程；

5、生成模型參數(shù)優(yōu)化：利用有標(biāo)簽數(shù)據(jù)估計(jì)生成模型參數(shù)，引入外部先驗(yàn)信息，提升模型生成效率和適應(yīng)性；

6、形態(tài)-控制協(xié)同優(yōu)化：在任務(wù)環(huán)境中利用生成模型生成機(jī)器人形態(tài)，結(jié)合控制策略訓(xùn)練進(jìn)行適應(yīng)度評(píng)價(jià)；從適應(yīng)度評(píng)價(jià)中篩選優(yōu)勢形態(tài)更新生成模型，同時(shí)保留隨機(jī)生成形態(tài)以維護(hù)設(shè)計(jì)多樣性；

7、引入仿生先驗(yàn)：構(gòu)建無標(biāo)簽自然生物形態(tài)數(shù)據(jù)集，通過降維或特征學(xué)習(xí)生成仿生學(xué)先驗(yàn)；將仿生學(xué)先驗(yàn)與任務(wù)標(biāo)簽信息聯(lián)合用于生成模型的優(yōu)化。

8、在本發(fā)明一實(shí)施例中，所述分層貝葉斯概率生成模型的“任務(wù)-個(gè)體-器官-體素”四層邏輯結(jié)構(gòu)中：每種任務(wù)在個(gè)體上的分布服從多項(xiàng)分布，其參數(shù)服從迪利克雷先驗(yàn)；每種個(gè)體在器官上的分布服從多項(xiàng)分布，其參數(shù)服從迪利克雷先驗(yàn)；每種器官在體素上的分布服從多項(xiàng)分布，其參數(shù)服從迪利克雷先驗(yàn)；

9、所述生成模型的形態(tài)生成過程包括：從任務(wù)到個(gè)體的分布中抽取當(dāng)前機(jī)器人形態(tài)的個(gè)體類型，對(duì)于機(jī)器人形態(tài)的每個(gè)體素，從個(gè)體到器官的分布中抽取器官類型，再從器官到體素的分布中抽取體素類型。

10、在本發(fā)明一實(shí)施例中，所述生成模型參數(shù)優(yōu)化中，采用隨機(jī)變分推斷技術(shù)以高效估計(jì)任務(wù)分布、個(gè)體分布、器官分布及體素分布的參數(shù)，并實(shí)現(xiàn)隱變量的推斷。

11、在本發(fā)明一實(shí)施例中，所述生成模型中，針對(duì)機(jī)器人形態(tài)中的不同位置體素，采用位置相關(guān)的器官分布參數(shù)和體素分布參數(shù)，以表征體素位置的差異化概率分布。

12、在本發(fā)明一實(shí)施例中，所述生成模型通過變分自編碼器技術(shù)改進(jìn)形態(tài)生成過程，包括：利用神經(jīng)網(wǎng)絡(luò)生成全部體素的器官和體素類型分布。

13、在本發(fā)明一實(shí)施例中，所述形態(tài)-控制協(xié)同優(yōu)化基于代際更新策略，具體包括：

14、利用生成模型生成若干軟體機(jī)器人形態(tài)，并將這些形態(tài)置于不同任務(wù)環(huán)境中進(jìn)行控制策略訓(xùn)練；

15、根據(jù)適應(yīng)度評(píng)價(jià)結(jié)果，篩選出優(yōu)勢形態(tài)作為有任務(wù)標(biāo)簽的訓(xùn)練樣本，更新形態(tài)生成模型的參數(shù)；

16、在每一代優(yōu)化中保留一定比例的隨機(jī)生成形態(tài)，控制收斂速率，提高形態(tài)多樣性。

17、在本發(fā)明一實(shí)施例中，所述形態(tài)-控制協(xié)同優(yōu)化以證據(jù)下界作為目標(biāo)函數(shù)進(jìn)行優(yōu)化，具體包括：

18、通過隨機(jī)變分推斷方法，利用隱變量z建模個(gè)體和器官類型的聯(lián)合分布；

19、優(yōu)化目標(biāo)函數(shù)中包括生成過程的對(duì)數(shù)似然項(xiàng)logpθ(x|z)、隱變量的先驗(yàn)分布項(xiàng)logpθ(z|h)以及任務(wù)標(biāo)簽的先驗(yàn)分布項(xiàng)logp(h)，同時(shí)減去近似后驗(yàn)分布的對(duì)數(shù)概率；

20、根據(jù)優(yōu)化后的證據(jù)下界值調(diào)整生成模型參數(shù)和后驗(yàn)分布的近似形式，提高生成模型的適應(yīng)能力和表征能力。

21、在本發(fā)明一實(shí)施例中，所述構(gòu)建無標(biāo)簽自然生物形態(tài)數(shù)據(jù)集，通過降維或特征學(xué)習(xí)生成仿生學(xué)先驗(yàn)，包括：

22、將無標(biāo)簽自然生物形態(tài)數(shù)據(jù)集投影到形態(tài)生成模型的低維特征空間，形成體素矩陣表示；

23、通過變分推斷技術(shù)優(yōu)化低維特征的分布參數(shù)，從中提取與仿生學(xué)特征相符的形態(tài)結(jié)構(gòu)；

24、將生成的仿生學(xué)先驗(yàn)作為形態(tài)生成模型的附加輸入，以引導(dǎo)模型收斂至仿生結(jié)構(gòu)優(yōu)化。

25、在本發(fā)明一實(shí)施例中，所述將仿生學(xué)先驗(yàn)與任務(wù)標(biāo)簽信息聯(lián)合用于生成模型的優(yōu)化，包括：

26、對(duì)無標(biāo)簽樣本構(gòu)建基于證據(jù)下界的優(yōu)化目標(biāo)，包括生成過程的對(duì)數(shù)似然項(xiàng)和隱變量的先驗(yàn)分布；

27、在優(yōu)化形態(tài)生成模型時(shí)，同時(shí)結(jié)合有標(biāo)簽樣本和無標(biāo)簽樣本，通過聯(lián)合優(yōu)化提高生成模型的樣本利用效率和仿生結(jié)構(gòu)適應(yīng)性。

28、本發(fā)明技術(shù)方案的主要優(yōu)點(diǎn)如下：

29、本發(fā)明的基于分層貝葉斯概率模型的體素機(jī)器人形態(tài)優(yōu)化方法，通過構(gòu)建“任務(wù)-個(gè)體-器官-體素”四層邏輯結(jié)構(gòu)的分層貝葉斯概率生成模型，有效分解了體素機(jī)器人形態(tài)設(shè)計(jì)的高維復(fù)雜性問題，實(shí)現(xiàn)了對(duì)任務(wù)、形態(tài)個(gè)體及器官之間關(guān)聯(lián)關(guān)系的精準(zhǔn)建模，顯著提高了形態(tài)生成的可解釋性與效率。通過生成模型參數(shù)的優(yōu)化，模型能夠有效利用有標(biāo)簽數(shù)據(jù)，快速收斂至優(yōu)勢形態(tài)，提高任務(wù)適應(yīng)能力。形態(tài)-控制協(xié)同優(yōu)化結(jié)合控制策略與形態(tài)生成過程，通過適應(yīng)度評(píng)價(jià)逐步篩選優(yōu)勢形態(tài)，同時(shí)保留隨機(jī)生成形態(tài)，保證了設(shè)計(jì)方案的多樣性與全局最優(yōu)解的搜索能力。此外，引入仿生學(xué)先驗(yàn)，通過無標(biāo)簽自然生物形態(tài)數(shù)據(jù)提供結(jié)構(gòu)優(yōu)化的先驗(yàn)約束，進(jìn)一步提升了模型的生成效率和對(duì)復(fù)雜任務(wù)的適應(yīng)性。整體而言，本發(fā)明方法兼具高效性、可解釋性和多樣性，為體素機(jī)器人形態(tài)的自動(dòng)化設(shè)計(jì)提供了一種高效且創(chuàng)新的解決方案。

技術(shù)特征：

1.一種基于分層貝葉斯概率模型的體素機(jī)器人形態(tài)優(yōu)化方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的基于分層貝葉斯概率模型的體素機(jī)器人形態(tài)優(yōu)化方法，其特征在于，所述分層貝葉斯概率生成模型的“任務(wù)-個(gè)體-器官-體素”四層邏輯結(jié)構(gòu)中：每種任務(wù)在個(gè)體上的分布服從多項(xiàng)分布，其參數(shù)服從迪利克雷先驗(yàn)；每種個(gè)體在器官上的分布服從多項(xiàng)分布，其參數(shù)服從迪利克雷先驗(yàn)；每種器官在體素上的分布服從多項(xiàng)分布，其參數(shù)服從迪利克雷先驗(yàn)；

3.根據(jù)權(quán)利要求2所述的基于分層貝葉斯概率模型的體素機(jī)器人形態(tài)優(yōu)化方法，其特征在于，所述生成模型參數(shù)優(yōu)化中，采用隨機(jī)變分推斷技術(shù)以高效估計(jì)任務(wù)分布、個(gè)體分布、器官分布及體素分布的參數(shù)，并實(shí)現(xiàn)隱變量的推斷。

4.根據(jù)權(quán)利要求3所述的基于分層貝葉斯概率模型的體素機(jī)器人形態(tài)優(yōu)化方法，其特征在于，所述生成模型中，針對(duì)機(jī)器人形態(tài)中的不同位置體素，采用位置相關(guān)的器官分布參數(shù)和體素分布參數(shù)，以表征體素位置的差異化概率分布。

5.根據(jù)權(quán)利要求4所述的基于分層貝葉斯概率模型的體素機(jī)器人形態(tài)優(yōu)化方法，其特征在于，所述生成模型通過變分自編碼器技術(shù)改進(jìn)形態(tài)生成過程，包括：利用神經(jīng)網(wǎng)絡(luò)生成全部體素的器官和體素類型分布。

6.根據(jù)權(quán)利要求1所述的基于分層貝葉斯概率模型的體素機(jī)器人形態(tài)優(yōu)化方法，其特征在于，所述形態(tài)-控制協(xié)同優(yōu)化基于代際更新策略，具體包括：

7.根據(jù)權(quán)利要求6所述的基于分層貝葉斯概率模型的體素機(jī)器人形態(tài)優(yōu)化方法，其特征在于，所述形態(tài)-控制協(xié)同優(yōu)化以證據(jù)下界作為目標(biāo)函數(shù)進(jìn)行優(yōu)化，具體包括：

8.根據(jù)權(quán)利要求1所述的基于分層貝葉斯概率模型的體素機(jī)器人形態(tài)優(yōu)化方法，其特征在于，所述構(gòu)建無標(biāo)簽自然生物形態(tài)數(shù)據(jù)集，通過降維或特征學(xué)習(xí)生成仿生學(xué)先驗(yàn)，包括：

9.根據(jù)權(quán)利要求8所述的基于分層貝葉斯概率模型的體素機(jī)器人形態(tài)優(yōu)化方法，其特征在于，所述將仿生學(xué)先驗(yàn)與任務(wù)標(biāo)簽信息聯(lián)合用于生成模型的優(yōu)化，包括：

技術(shù)總結(jié)
本發(fā)明公開了一種基于分層貝葉斯概率模型的體素機(jī)器人形態(tài)優(yōu)化方法，包括：構(gòu)建形態(tài)生成模型：構(gòu)建包含“任務(wù)?個(gè)體?器官?體素”四層邏輯結(jié)構(gòu)的分層貝葉斯概率生成模型，用于描述任務(wù)、個(gè)體、器官及體素的關(guān)聯(lián)性；生成模型參數(shù)優(yōu)化：利用有標(biāo)簽數(shù)據(jù)估計(jì)生成模型參數(shù)；形態(tài)?控制協(xié)同優(yōu)化：在任務(wù)環(huán)境中利用生成模型生成機(jī)器人形態(tài)，并進(jìn)行適應(yīng)度評(píng)價(jià)；從適應(yīng)度評(píng)價(jià)中篩選優(yōu)勢形態(tài)更新生成模型，同時(shí)保留隨機(jī)生成形態(tài)以維護(hù)設(shè)計(jì)多樣性；引入仿生先驗(yàn)：構(gòu)建無標(biāo)簽自然生物形態(tài)數(shù)據(jù)集，通過降維或特征學(xué)習(xí)生成仿生學(xué)先驗(yàn)；將仿生學(xué)先驗(yàn)與任務(wù)標(biāo)簽信息聯(lián)合用于生成模型的優(yōu)化。本方法兼具高效性、可解釋性和多樣性。

技術(shù)研發(fā)人員：楊揚(yáng),姚雯,彭偉,周煒恩,姜廷松,王菲菲,宋俊儒
受保護(hù)的技術(shù)使用者：中國人民解放軍軍事科學(xué)院國防科技創(chuàng)新研究院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15