基于比例模型的层次化运动原语生成

仿照学习(Imitation Learning, IL)使机器人能够从演示中获取类人运动技能，但仍需大量高质量数据和重新训练才能处理复杂或长期程度的任务。为提高数据效率和适应性，本文提出了一种集成运动原语与比例运动合成的层次化仿照学习框架。该方法采用两层架构，其中上层负责长期规划，而一组下层模型学习各个运动原语，根据特定比例进行组合。引入三个模型变体以探讨学习灵活性、计算成本和适应性之间的不同权衡：基于学习的比例模型、基于抽样的比例模型和基于播放的比例模型，这些模型在比例如何确定以及上层是否可训练方面存在差异。通过实际机器人抓取和放置实验，所提出的模型成功生成了原始原语集合中未包含的复杂运动。基于抽样的比例模型和基于播放的比例模型相对于标准层次化模型实现了更稳定和更具适应性的运动生成，表明比例运动集成在实际机器人学习中的有效性。