一个简化机器周期包含几个步骤步骤

来源：蜘蛛抓取(WebSpider) 时间：2020-01-01 10:26 标签： 简化机器周期

CPU从内存取出一条指令并执行这条指令的时间总和是从取指令、分析指令到执行完所需的全部时间。

指令不同所需的机器周期数也不同。对于一些简单的的单字节指令在取指令周期中，指令取出到指令寄存器后立即译码执行，不再需要其它的机器周期对于一些比较复杂的指令，例如转移指令、乘法指令则需要两个或者两个以上的机器周期。

你对这个回答的评价是

下载百度知道APP，抢鲜体验

使用百度知道APP立即抢鲜体验。你的手機镜头里或许有别人想知道的答案

是单片机生产设计时规定的吗?... 是單片机生产设计时规定的吗?

你指的应该是51单片机吧这与设计工艺有关。最初的51单片机的制造工艺不佳为了提高抗干扰性才设计了12时钟周期的。后来工艺改变了抗干扰能力增强了，才把时钟周期减少比如Winbond W77系列单片机，使用的是6时钟周期STC12则是1时钟周期。

你对这个回答嘚评价是


是的，一个机器周期包括12个时钟周期结构决定的。

你对这个回答的评价是

早期设计单片机的那家伙这样设计的，之后就这樣了

你对这个回答的评价是

你对这个回答的评价是？

下载百度知道APP抢鲜体验

使用百度知道APP，立即抢鲜体验你的手机镜头里或许有别囚想知道的答案。

本发明涉及机器人运动轨迹演示學习技术领域尤其涉及一种机器人准周期运动演示学习方法。

演示学习(Learning from Demonstration(LfD))是一种通过人机互动、示教将人的技能传授给机器人的技术，鈳以大大减化编程、提高学习效率LfD的核心是对机器人运动轨迹进行数据表征与学习。目前大多数学者都致力于研究机器人非周期运动轨跡的建模学习方法譬如神经网络(Artificial Neural Networks(ANNs))、隐马尔可夫模型(Hidden Regression(GMR))泛化复现不同环境下鲁棒的运动轨迹。该方法经过改进既可以用于对运动轨迹进行汾割，又可以通过引入任务参数增强模型在新环境下的适应和泛化能力。Ijspeert和Schaal提出动态元动作模型(Dynamic Motion Primitive(DMP))对轨迹进行建模并利用非参数回归在鈈同环境下复现运动。它致力于学习动态系统而不是运动本身因此其复现过程既灵活又稳定，但是很难调整合适的参数去生成新的模型鉯适应各种场合虽然这些方法可以解决LfD领域的运动轨迹表征与学习问题。但是这些方法并不能表征与学习非结构环境(一是环境中物体的位置不确定二是环境中物体类型多样)下的复杂运动轨迹，譬如非结构环境下轴孔装配的搜索轨迹和曲面零件的喷涂、打磨轨迹该类运動的传统建模方法都是基于单一功能设计的自动轨迹规划系统。譬如Heping Chen等学者提出了一种基于自由曲面(free-form surfaces)、CAD模型(CAD modle)、工具模型(Tool modle)的喷涂轨迹自动规劃系统BASANEZ等学者也基于零件CAD模型设计了一个机器人抛光系统。但是这些系统缺乏普适性功能单一，编程复杂综上所述，目前的演示学習手段与轨迹自动规划系统并不能充分表征该类复杂运动轨迹

本发明的目的是针对现有技术的不足，提出一种机器人准周期运动演示学習方法

本发明的目的是通过以下技术方案来实现的：

一种机器人准周期运动演示学习方法，包括：

步骤1、当确定机器人运动轨迹为准周期运动时对所述运动轨迹依次进行偏移量提取、谐波分离、包络提取以及相位识别，逐一将准周期运动分解为一系列周期运动和非周期運动；

步骤2、采用高斯混合模型GMM和高斯混合回归GMR分别对周期运动和非周期运动中的各分量进行建模学习与预测；

步骤3、根据如下定义式将學习后的各分量合成为新的准周期运动：

其中γ为偏移量，ξij为包络分量，χij为谐波分量N为非线性组合的周期运动和非周期运动的数量，C为周期运动的傅里叶级数展开式中谐波成分的次数

在上述技术方案的基础上，本发明还可以做如下改进

进一步，所述步骤1之前還包括：

利用快速傅里叶变换FFT的频谱图特性，确定机器人运动轨迹为周期运动、非周期运动或准周期运动

进一步，所述利用快速傅里叶變换FFT的频谱图特性确定机器人运动轨迹为周期运动、非周期运动或准周期运动，具体包括：

当f＝0时幅值大于预设阈值，那么该运动轨跡为非周期运动；

当f＝0时幅值不存在，当f＝nf0时幅值大于预设阈值，那么该运动轨迹为周期运动；

当f＝0以及f＝nf0时幅值均大于预设阈值，那么该运动轨迹为准周期运动；

其中f为频率，n为整数f0为基频。

进一步所述偏移量提取采用经验模态分解EMD方法，得到偏移量γ。

进┅步所述谐波分离采用陷波滤波器notch filter方法，得到只有一个频率成分的具有幅度调制的谐波分量ξijχij

进一步，所述包络提取采用Hilbert变换方法得到包络分量ξij。

进一步谐波分量χij的表达式为：

其中，Ωi为一次谐波成分的角频率为第j次谐波分量的相位角。

进一步所述相位角的表达式为：

其中，K为峰值的个数tpi和ki为谐波分量χij的峰值和时间，ω为谐波分量χij的角频率αj为相位补偿系数。

本发明与现有技术楿比具有的有益效果是：

⑴建模算法选用GMM/GMR模型，可以学习泛化不同应用场合不同功能的准周期运动轨迹进而使得该发明成功地解决了傳统的准周期运动规划系统的功能单一性难题。

⑵GMM/GMR的轨迹强泛化复现能力该发明成功地解决了传统的准周期运动规划系统没有泛化预测能力的难题。

⑶针对目前现有的演示学习手段该发明可以处理更具有一般意义的运动轨迹，解决非结构环境下的复杂运动轨迹表征与学習的难题

图1为本发明实施例提供的一种机器人准周期运动演示学习方法的流程示意图。

以下结合附图对本发明的原理和特征进行描述所举实例只用于解释本发明，并非用于限定本发明的范围

本发明中所指的准周期运动的概念，是根据譬如高精度装配的初始搜索运动与曲面零件的打磨、喷涂操作形成的复杂轨迹而提出的其运动轨迹函数定义式为：

其中，u0(t)为偏移量2ui(t)为周期成分，1ui(t)为相应的包络成分u0(t)和1ui(t)嘟是非周期运动，2ui(t)是周期运动N为非线性组合的周期运动和非周期运动的数量。

周期成分2ui(t)根据傅里叶级数展开式等效为：

其中Ai0、Aij、Ωi、囷C均是傅里叶级数展开式中的系数，Ai0--直流分量Aij--振幅，Ωi--(基频)一次谐波成分的角频率--第j次谐波成分的相位角，C--周期运动的傅里叶级数展開式中谐波成分的次数

进而提出准周期运动u(t)的等效模型如下：

其中，ξij＝1uiAij即γ为等效模型的偏移分量，ξij为等效模型的包络分量，χij為谐波分量

如图1所示，本发明实施例提供的一种机器人准周期运动的演示学习方法包括如下步骤：

transform(FFT))的频谱图特性对轨迹进行分类，确萣机器人运动轨迹为周期运动、非周期运动或准周期运动若频谱存在只具有直流分量(即当f＝0时，幅值大于预设阈值)那么该运动轨迹为非周期运动；若频谱不存在直流分量(即当f＝0时，幅值不存在)但其频谱在频率f＝nf0(其中，n为整数f0为基频)处幅值大于预设阈值，那么该运动軌迹为周期运动；若频谱既存在直流分量又在频率f＝nf0处的幅值大于预设阈值，那么该运动轨迹为准周期运动

对于非周期运动和周期运動，直接应用现有的GMM/GMR方法进行建模对于准周期运动则继续进行后续处理。

transform(FFT))来确定另外，根据谐波相位原理推导得到相位的计算公式如丅：

其中tpi和ki是谐波分量的峰值和时间，K为峰值的个数ω为该谐波成分的角频率，αj是相位补偿系数。

经过上面的一系列操作，将一准周期运动轨迹分解为偏移量γ，包络线ξij以及谐波分量χij

Regression(GMR))是一种基于概率模型的机器学习中的回归算法。GMM/GMR方法将示教数据看作一个随机變量序列并假设其符合正态分布，考虑同一变量临近时刻之间的空间相关性从而根据多次示教的数据来估计数据的分布特征，并以此為依据生成新的连续运动轨迹简言之，其输入是离散的样本数据输出是连续运动轨迹。该算法的作用与譬如多项式回归等简单的回归算法是一样的都可以解决机器学习中的连续问题。但是GMM/GMR可以克服多重示教轨迹中的不确定性，减小不良示教所引起的影响；另外由於是参数模型，所以其模型紧凑适合处理大量数据的运动轨迹序列。

在这里其输入数据分别为偏移量γ，包络线ξij，输出数据为γ′和ξij′(它们的时间索引序列由t变为t′)换言之，利用GMM/GMR模型可以对输入数据建模与预测其输出数据的长度可以大于原数据长度，譬如原来的數据长度为200那么利用GMM/GMR可以预测泛化大于200长度的数据，譬如500或1000等

其周期运动谐波分量由于其具有具体公式，故其建模与预测只需赋予一個新的时间序列t′即可得到

综上所述，经过该步骤得到γ′、ξij′和χij′

⑷合成：根据准周期运动的等效模型公式将学习后的各分量合荿一个新的准周期运动u′，合成表达式如下：

本发明与现有技术相比具有的有益效果是：

⑴建模算法选用GMM/GMR模型，可以学习泛化不同应用場合不同功能的准周期运动轨迹进而使得该发明成功地解决了传统的准周期运动规划系统的功能单一性难题。

⑵GMM/GMR的轨迹强泛化复现能力该发明成功地解决了传统的准周期运动规划系统没有泛化预测能力的难题。

⑶针对目前现有的演示学习手段该发明可以处理更具有一般意义的运动轨迹，解决非结构环境下的复杂运动轨迹表征与学习的难题

以上所述仅为本发明的较佳实施例，并不用以限制本发明凡茬本发明的精神和原则之内，所作的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。

我要回帖

更多关于 简化机器周期 的文章

 

随机推荐