基于对齐的从演示中学习运动方法
机器人学
2025-11-20 v1
摘要
从演示学习 (LfD) 已显示为机器人在各种领域提供基本运动技能。各种 LfD 研究分支 (如学习的动力系统和运动原语) 可一般归类为“时依赖”或“时独立”。每种方法都提供基本的优势和劣势——时独立方法无法学习重叠轨迹，而时依赖方法在扰动下可能导致不良行为。本文引入 Cluster Alignment for Learned Motions (CALM)，一种依赖于演示运动代表性“均值”轨迹的对齐，而非纯粹时依赖或状态依赖的 LfD 框架。我们讨论 CALM 的收敛性，提出一种能够处理扰动下可能出现的对齐偏移的对齐技术，并利用演示聚类生成多模态行为。我们展示 CALM 在 2D 数据集上如何缓解时依赖和时独立技术的缺点，并在三个领域中实现我们的系统于 7-DOF 机器人上学习任务。
引用
@article{arxiv.2511.14988,
title = {An Alignment-Based Approach to Learning Motions from Demonstrations},
author = {Alex Cuellar and Christopher K Fourie and Julie A Shah},
journal= {arXiv preprint arXiv:2511.14988},
year = {2025}
}
备注
8 pages, 8 figures, originally published in the IEEE Robotics and Automation Letters