学习节奏移动：具备轨道稳定性保证的任务条件化运动策略

学习演示提供了一种高效获取复杂行为的方式，使机器人能够稳健、顺从且流畅地移动。在此背景下，动态运动原语（Dynamic Motion Primitives）具备内置的稳定性和对干扰的鲁棒性，但往往难以捕捉复杂的周期性行为。此外，它们在在不同任务之间进行插值方面受限。这一不足显著缩小了其适用范围，排除了诸如 locomotion 和节奏性工具使用等大量实际意义上的任务。在本工作中，我们引入了轨道稳定运动原语（Orbitally Stable Motion Primitives, OSMPs）——一种将学习的微分同胚编码器与潜空间中的超临界 Hopf 分岔相结合的框架，使其能够从演示中准确获取周期运动，同时确保轨道稳定性和横向收缩的形式保证。此外，通过对编码器进行任务条件化，我们使单个学习策略能够代表多个运动目标，从而在训练分布内实现一致的零样本泛化到未见运动目标。我们通过广泛的仿真和实际实验，在多样化的机器人平台上进行了验证——从协作机械臂和软操作器到仿生刚性-软龟机器人——展示了其在始终优于诸如扩散策略等最先进基准方法的一致性、通用性和有效性。