1.基于高斯惩罚的仿人机器人分层踢球优化模型的优化方法,其特征在于,所述方法包括步骤:S1、基于关键帧方法设计仿人机器人的踢球种子动作,并基于所述踢球种子动作构建仿人机器人基于高斯惩罚的分层踢球训练模型;
S2、采用优化分解将仿人机器人的单一踢球动作分解为预设数量的优化层;
S3、采用指定算法获取仿人机器人分层踢球优化模型的最优参数集。
2.根据权利要求1所述的基于高斯惩罚的仿人机器人分层踢球优化模型的优化方法,其特征在于,所述步骤S1中还包括:采集仿人机器人踢球过程中的关键帧。
3.根据权利要求2所述的基于高斯惩罚的仿人机器人分层踢球优化模型的优化方法,其特征在于,仿人机器人的踢球动作通过PID控制器控制。
4.根据权利要求1所述的基于高斯惩罚的仿人机器人分层踢球优化模型的优化方法,其特征在于,所述优化层中包含一踢球速度优化层和一踢球距离优化层。
5.根据权利要求4所述的基于高斯惩罚的仿人机器人分层踢球优化模型的优化方法,其特征在于,所述步骤S2中包括:S21、以所述踢球速度优化层为主导的优化:
S211、设定仿人机器人的第一位置坐标和足球在球场上的第二位置坐标,设定预设数目的速度训练任务和指定数量的速度训练次数,控制仿人机器人从所述第一位置坐标走向所述第二位置坐标完成踢球动作,并记录;
S212、构建仿人机器人在预设数目的所述速度训练任务中的线性模型函数f(k)=w1k1+w2k2+···+wmkm+b;
S213、设定评价函数:
基于步骤S211中的所述记
录采用所述评价函数对仿人机器人的踢球速度进行评价并优化;
S22、以所述踢球距离优化层为主导的优化:
S221、以仿人机器人在踢球速度优化层得到动作作为踢球距离优化层的输入,并设定指定数量的仿人机器人的初始位置和一个足球的初始位置,设定预设数目的距离训练任务和指定数目的距离训练次数,控制仿人机器人从不同方向走向足球并完成踢球操作,并记录;
S222、采用高斯函数 获取仿人机器人在距离训练任务中指定数目的距离训练次数中从不同方向完成踢球操作的正态分布图;
S223、设定评价函数:
基于步骤S221中的所述记
录和所述正态分布图采用所述评价函数对仿人机器人的踢球距离进行评价并优化。
6.根据权利要求5所述的基于高斯惩罚的仿人机器人分层踢球优化模型的优化方法,其特征在于,所述步骤S3采用的算法为CMA-ES算法,且所述步骤S3包括:S31、参数设置:设置种群大小λ,并在每一所述种群中随机生成一个优化任务,构成由λ个优化任务构成的初始种群;
S32、初始化所述初始种群的均值m(0)、步长σ∈R+、进化代数g=0;
S33、分别初始化仿人机器人的进化路径pC和共轭进化路径pσ为零向量;
S34、通过对多元正态分布的抽样生成仿人机器人的搜索种群,并假设 是第g带种群中的第i个个体,利用CMA-ES算法生成子代个体函数 其中是由均值为零且方差为 的高斯函数生成的r维
随机向量;σ(g)是步长因子,m(g)是μ个最优子代个体的加权均值;
S35、对所述种群进行选择、重组,采用公式 更新搜索所述种群;
S36、根据公式 更新搜索所述进化路径
pC,采用公式 更新搜索所述共轭进化路径pσ;
S37、根据公式 更新步长σ,根据公式
更新协方差矩阵C;
S38、设定一极小阈值,判断所述种群样本点的最大目标函数与最小目标函数之差与所述极小阈值的大小关系,若所述种群样本点的最大目标函数与最小目标函数之差小于或等于所述极小阈值,则完成所述模型的优化,否则,重复步骤S31~S37。