动态环境中机械臂技能复现的自适应框架

在不确定和动态环境中学习与执行机器人技能是一项具有挑战性的任务。本文提出了一种自适应框架，结合了示教学习（LfD）、环境状态预测和高层决策。主动适应避免了反应式适应（滞后于环境变化而非预测变化）的需求。我们提出了一种新颖的LfD表示方法——弹性拉普拉斯轨迹编辑（ELTE），它根据对未来状态的预测连续调整轨迹形状。然后，一个使用无迹卡尔曼滤波（UKF）和隐马尔可夫模型（HMM）的高层反应系统基于一组离散决策防止在动态环境的当前状态下执行不安全行为。我们首先在仿真中验证了我们的LfD表示，然后使用腿式移动机械臂在36个真实世界场景中实验评估了整个框架。我们展示了所提框架在不同动态环境变化下的有效性。我们的结果表明，所提框架产生了鲁棒且稳定的自适应行为。