const float Link1 = 1;
const float Link2 = 2;
CvPoint2D32f forwardKinematics(float alpha, float beta)
{
CvPoint2D32f ret;
// Simple 2D, 2 link kinematic chain
ret.x = Link1 * std::cos(alpha) + Link2 * std::cos(alpha - beta);
ret.y = Link1 * std::sin(alpha) + Link2 * std::sin(alpha - beta);
return ret;
}
我生成1000个（XY-> alpha）和（XY-> beta）对的随机集合，然后使用该数据可在OpenCV中训练两个决策树模型（一个用于alpha，一个用于beta）。然后，我使用模型预测给定XY位置的关节角度。
有时似乎得到了正确的答案，但却大相径庭。我知道类似的逆运动学问题可以有多种解决方案，但是我得到的一些答案却是错误的。
这是尝试做的合理的选择，还是永远不会奏效？有没有比决策树更适合这种问题的学习算法？
#1 楼
我更改了训练集的生成方式，以均匀地采样关节空间，而不是使用随机样本，并且还限制了第二关节的范围，以防止出现多个解和奇异点。现在，该算法实际上可以很好地工作，并且可以为我提供合理接近所需位置的答案。我仍然不相信决策树是解决此问题的最佳算法。方式（尤其是在使用统一的训练集时）。
#2 楼
这里的核心问题是您正在使用两个决策树。据我了解，您正在针对同一数据训练两个不同的决策树。然后，您有一棵树预测所需角度$ \ alpha $，另一棵树预测所需角度$ \ beta $。问题在于$ \ beta $依赖于$ \ alpha $，但是$ \ beta $树没有这个事实的概念。您需要做的是在两个特征上训练一棵树（即$ \ alpha $和$ \ beta $）。在OpenCV中，每个DT节点都使用一个称为
value的双精度来存储该值。节点，它使用一个称为class_idx的整数来确定要在任何给定级别拆分的功能。训练DT时，您需要为其提供矩阵。通常，矩阵的每一行都是特征向量，每一列都是单独的特征。但是，似乎可以通过使用tflag（Cool！）在OpenCV实现中对其进行配置。使用常规方法，您需要创建一个$ m {\ times} n $矩阵，其中$ m = 1000 $是训练样本的数量，$ n = 2 $。评论
$ \ begingroup $
据我所知，OpenCV DT实现仅支持一维响应矢量，我仍然不确定如何训练一棵树同时给我alpha和beta。
$ \ endgroup $
–野生甲壳动物
2012年11月29日15:22
评论
$ \ begingroup $
我只是想观察一下DT可能会起作用，但可能不是该任务的最佳学习算法。使用双线性插值进行逆运动学，我真的很幸运。我认为它也可以很好地解决这个问题。您正在训练两棵树，每棵只有一个特征，这似乎也很奇怪。通常，您会训练一棵具有多种功能的树。最后，如果增加样本数量，您可能会发现性能有所提高，因为您将为真实函数创建更好的近似值。
$ \ endgroup $
– DaemonMaker
2012年11月28日在20:10
$ \ begingroup $
样本数量问题是一个有趣的问题，在我当前的实现中，似乎我实际上用更少的样本获得了更一致的答案。我不完全了解OpenCV是如何构建树的，但是似乎样本较少，也许它被卡在错误的节点上的频率降低了？我使用了两棵树，因为据我所知，CvDTree实现使用单个double作为节点值，因此没有办法存储多个结果值。
$ \ endgroup $
–野生甲壳动物
2012年11月28日在20:21