一种基于动态高斯聚类一致性的参数自学习算法

本发明涉及机器人控制、计算机视觉与人工智能的交叉技术领域，具体为一种基于动态高斯聚类一致性的参数自学习算法。针对现有机械臂在工业装配中存在多模态信息难以统一表达、缺乏动态自适应性、控制策略与任务理解脱节的问题，本发明提出利用动态高斯聚类一致性机制构建统一的时序语义表达，采用多头Kolmogorov‑Arnold网络和差分注意力网络实现多模态信息融合与稳定聚类，通过因果模块和策略模块双分支结构同时生成自适应控制轨迹、动作和抽象、策略因果图并监督策略反馈一致性，结合闭环纠偏实现参数自学习。本发明可提升机械臂在工业环境下的自主性与泛化能力。