-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathtmp.m
189 lines (172 loc) · 5 KB
/
tmp.m
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
clear all;close all;clc;
DMPcase=1
%% 演示轨迹
syms t;
%% 胡晋师兄的多项式 可演示巨大加速度
% x = 2*t.^2+cos(4*pi*t).*(1-t)-1;
%% 演示轨迹的构造
x=-t.^5+3*t.^4-3*t.^3+t.^2 %演示轨迹的初末位置相同，系统无非线性外力项干涉，整个系统的状态将保持在初始状态
% x=-t.^5+3*t.^4-3*t.^3+t.^2+0.001*t; %演示镜像效果和过大加速度
xd = diff(x);
xdd = diff(xd);
% time step
dt = 0.001;
% time for demonstration
traj_time=1;
t=0:dt:traj_time;
% 演示轨迹初始化
x=eval(x);
xd=eval(xd);
xdd=eval(xdd);
%% 收敛多项式
% x = (tpoly(0,1,1001))';
% xd = diff(x)/dt;
% xd = [xd xd(end)];
% xdd = diff(xd)/dt;
% xdd = [xdd xdd(end)];
%% 最后速度匀速多项式
% xd=erf(t/0.3);
% for i=1:length(t)
% x(i)=sum(xd(1:i))*dt;
% end
% xdd = diff(xd)/dt;
% xdd = [xdd xdd(end)];
%% DMP模型初始化
dmp.D = 15;
dmp.K = dmp.D.^2/4;
dmp.tau=traj_time; %dmp时间比例因子
dmp.x0=x(1);
dmp.g=x(end);
dmp.A=x(end)-x(1);
dmp.alpha=4;
% 权重函数初始化
n_w=length(t)/10; %权重函数个数 取100个，数量越多精度越高。最大值为训练数据个数。
dmp.wc=exp(-dmp.alpha/dmp.tau*(0:1/(n_w-1):1)'); %100*1 权重函数中心，注意由于从t映射到s，所以也要像权重函数那样取对数
dmp.wh=(diff(dmp.wc)*0.65).^2; %99*1 权重函数的宽度是按照中心间距来选择的
dmp.wh=1./[dmp.wh;dmp.wh(end)]; %100*1
% 规范函数
dmp.s = zeros(1,size(x,2));
dmp.s(1) = 1;
for i = 2:length(x),
dmp.s(i) = dmp.s(i-1)-dmp.alpha*dmp.s(i-1)*dt/dmp.tau;
end
% dmp.s=Z;
%% w(i)的局部加权学习
% - weighting functions
dmp.psi = exp( -dmp.wh*ones(1,length(x)) .* ( ( ones(length(dmp.wc),1)*dmp.s - dmp.wc*ones(1,length(x)) ).^2 ) ); %100*1001
% original transformation system
switch DMPcase
case 0
dmp.f = (dmp.tau.^2*xdd-dmp.K*(dmp.g-x)+dmp.D*dmp.tau*xd)/(dmp.A+1.e-10); %1*1001
case 1
dmp.f = (dmp.tau.^2*xdd-dmp.K*(dmp.g-x)+dmp.D*dmp.tau*xd+dmp.K*dmp.A*dmp.s )/dmp.K; %1*1001
case 2
dmp.vm=dmp.tau*xd(end);
dmp.gm=x(end)-dmp.vm*traj_time+dmp.vm*t;
dmp.f = (dmp.tau.^2*xdd-dmp.K*(dmp.gm-x)-dmp.D*(dmp.vm-dmp.tau*xd)+dmp.K*(dmp.gm-dmp.x0).*dmp.s )/dmp.K; %1*1001
end
% locally weighted linear regression
% wDen = sum( dmp.psi .* ( ones(length(dmp.wc),1)*dmp.s ) ,2);
% wNum = sum( dmp.psi .* ( ones(length(dmp.wc),1)*dmp.f ) ,2);
% dmp.w = wNum./(wDen+1.e-10);
wDen = sum( dmp.psi .* ( ones(length(dmp.wc),1)*(dmp.s.*dmp.s) ) ,2);
wNum = sum( dmp.psi .* ( ones(length(dmp.wc),1)*(dmp.s.*dmp.f) ) ,2);
dmp.w = wNum./(wDen);%+1.e-10
%% 学习后轨迹再现 目标不变
t_run = 0:dt:traj_time;
% dmp参数初始化
dmp.tau=traj_time; %dmp时间比例因子
dmp.x0=x(1);
% dmp.g=x(end);
dmp.g=x(end);
dmp.A=dmp.g-dmp.x0;
dmp.s1=1;
dmp.x1=x(1);
dmp.v1=dmp.tau*xd(1);
for i=1:length(t_run)
dmp.psi1 = exp(-dmp.wh.*((dmp.s1-dmp.wc).^2));
dmp.f1 = sum(dmp.psi1.*dmp.w*dmp.s1)/sum(dmp.psi1+1.e-10);
switch DMPcase
case 0
dmp.v1_d=(dmp.K*(dmp.g-dmp.x1)-dmp.D*dmp.v1+dmp.A*dmp.f1)/dmp.tau;
case 1
dmp.v1_d=(dmp.K*(dmp.g-dmp.x1)-dmp.D*dmp.v1-dmp.K*dmp.A*dmp.s1+dmp.K*dmp.f1)/dmp.tau;
case 2
dmp.gm=dmp.g-dmp.vm*traj_time+dmp.vm*t_run(i);
dmp.v1_d=(dmp.K*(dmp.gm-dmp.x1)+dmp.D*(dmp.vm-dmp.v1)-dmp.K*(dmp.gm-dmp.x0)*dmp.s1+dmp.K*dmp.f1)/dmp.tau;
end
dmp.x1_d=dmp.v1/dmp.tau;
dmp.x1_dd=dmp.v1_d/dmp.tau;
dmp.s1d = -dmp.alpha*dmp.s1/dmp.tau;
dmp.s1 = dmp.s1 + dt*dmp.s1d;
dmp.x1=dmp.x1+dmp.x1_d*dt;
dmp.v1=dmp.v1+dmp.v1_d*dt;
%每次循环存储数据
dmp.y(i)=dmp.x1;
dmp.yd(i)=dmp.x1_d;
dmp.ydd(i)=dmp.x1_dd;
end
dmp.y0 = dmp.y;
dmp.yd0 = dmp.yd;
dmp.ydd0 = dmp.ydd;
%% 学习后轨迹再现 目标改变
t_run = 0:dt:traj_time;
% dmp参数初始化
dmp.tau=traj_time; %dmp时间比例因子
dmp.x0=x(1);
% dmp.g=x(end);
dmp.g=0.005;
dmp.vm=0.015;
dmp.A=dmp.g-dmp.x0;
dmp.s1=1;
dmp.x1=x(1);
dmp.v1=dmp.tau*xd(1);
for i=1:length(t_run)
dmp.psi1 = exp(-dmp.wh.*((dmp.s1-dmp.wc).^2));
dmp.f1 = sum(dmp.psi1.*dmp.w*dmp.s1)/sum(dmp.psi1+1.e-10);
switch DMPcase
case 0
dmp.v1_d=(dmp.K*(dmp.g-dmp.x1)-dmp.D*dmp.v1+dmp.A*dmp.f1)/dmp.tau;
case 1
dmp.v1_d=(dmp.K*(dmp.g-dmp.x1)-dmp.D*dmp.v1-dmp.K*dmp.A*dmp.s1+dmp.K*dmp.f1)/dmp.tau;
case 2
dmp.gm=dmp.g-dmp.vm*traj_time+dmp.vm*t_run(i);
dmp.v1_d=(dmp.K*(dmp.gm-dmp.x1)+dmp.D*(dmp.vm-dmp.v1)-dmp.K*(dmp.gm-dmp.x0)*dmp.s1+dmp.K*dmp.f1)/dmp.tau;
end
dmp.x1_d=dmp.v1/dmp.tau;
dmp.x1_dd=dmp.v1_d/dmp.tau;
dmp.s1d = -dmp.alpha*dmp.s1/dmp.tau;
dmp.s1 = dmp.s1 + dt*dmp.s1d;
dmp.x1=dmp.x1+dmp.x1_d*dt;
dmp.v1=dmp.v1+dmp.v1_d*dt;
%每次循环存储数据
dmp.y(i)=dmp.x1;
dmp.yd(i)=dmp.x1_d;
dmp.ydd(i)=dmp.x1_dd;
end
subplot(1,3,1);
plot(t,x,'.g');
hold on
plot(t,dmp.y0,'b');
hold on
plot(t_run,dmp.y,'-.r');
xlabel('t');
ylabel('x')
% axis([0 1 -0.04 0.04]);
subplot(1,3,2);
plot(t,xd,'.g');
hold on
plot(t,dmp.yd0,'b');
hold on
plot(t_run,dmp.yd,'-.r');
xlabel('t');
ylabel('xd')
subplot(1,3,3);
plot(t,xdd,'.g');
hold on
plot(t,dmp.ydd0,'b');
hold on
plot(t_run,dmp.ydd,'-.r');
xlabel('t');
ylabel('xdd')
legend('demonstration','reproduction with same target','reproduction with new target');