克服动态运动原语的一些缺陷

动态运动原语是一种从演示中学习点到点轨迹的框架。尽管被广泛使用，DMP 仍存在一些可能限制其在真实机器人应用中使用的缺陷。首先，在现有技术中，主要使用高斯基函数进行函数逼近。其次，DMP 生成的轨迹的适应性在很大程度上依赖于超参数的选择和新的期望目标位置。最后，DMP 是一个“一次性学习”框架，意味着它们被限制为只能从单次演示中学习。在这项工作中，我们提出并论证了一组用于学习过程的新基函数，展示了它们在精确逼近函数的能力的同时，相对于高斯基函数具有解析和数值上的优势。然后，我们展示了如何利用 DMP 对仿射变换的不变性，使轨迹的泛化对超参数的选择和新的目标位置具有鲁棒性，并通过合成测试和真实机器人实验展示了这种增强的鲁棒性。最后，我们提出了一种从多次观测中提取共同行为的算法，并在合成数据集和真实机器人执行任务获得的数据集上对其进行了验证。