将人类全身运动-操作技能迁移至移动操作机器人：结合学习与优化的框架

人类在运动与操作之间无缝切换的能力是感知运动协调的一个显著特征。仿照此类人类式策略开发更为复杂的机器人，以便在真实环境中执行复杂的全身任务具有重要意义。为此，本文提出了一种结合学习与优化框架，用于将人类的运动-操作软切换技能迁移至移动操作机器人。该方法首先通过视觉系统收集人类演示中关于集成运动任务的数据。随后，将手腕和骨盆运动映射到移动操作机器人的末端执行器（EE）和移动基座。采用核化运动原语算法学习手腕和骨盆轨迹，并根据任务要求对其进行泛化，以适应新的目标点。随后，将参考轨迹输入分层二次规划控制器，其中 EE 和移动基座的参考轨迹分别作为第一和第二优先级任务，生成可行且最优的关节级命令。通过执行集成化的抓取-放置任务来验证所提出的方法。在人类演示任务后，移动操作机器人以相同或新的设置执行任务，能够在非零速度下抓取瓶子。结果表明，所提出的方法成功地将人类的运动-操作技能迁移至移动操作机器人，即使几何结构不同亦可如此。