核化运动基元

模仿学习已被广泛研究作为将人类技能迁移到机器人的便捷方式。这种学习方法旨在从人类示范中提取相关运动模式，随后将这些模式应用于不同情境。尽管已取得许多进展，应对不可预测情况（例如障碍物和外部扰动）和高维输入的解决方案仍大体开放。在本文中，我们提出一种新颖的核化运动基元 (KMP)，它允许机器人调整习得的运动技能并满足任务过程中出现的各种附加约束。具体而言，由于核处理，KMP 能够学习与高维输入相关的轨迹，这反过来产生一个相较于依赖基函数的方法具有更少开放参数的模型。此外，我们通过利用描述手头任务的不同坐标系中的局部轨迹表示来扩展我们的方法，赋予 KMP 在更广阔域中可靠的的外推能力。我们将 KMP 应用于时间驱动轨迹的学习作为一个特例，其中利用了描述轨迹及其一阶导数的紧凑参数表示。为了验证我们方法的有效性，提供了几个与时间输入相关的轨迹调制与外推，以及具有高维输入的轨迹适应的示例。