TY - Jour A2 - Cortella，Francesca Au - Hu，Siyao Au - Kuchenbecker，Katherine J. Py - 2019 DA - 2019/12/02 TI - 分层任务参数化学习从协作对象运动的演示SP - 9765383 VL - 2019 AB- 从演示（LFD）学习，使机器人能够模拟自然人体运动，而不是仅仅执行预编程的行为。本文介绍了用于对象移动任务的任务参数化模型的分层LFD结构，这些组件在日常生活中普遍存在，可以从机器人支持中受益。我们的方法使用任务参数化高斯混合模型（TP-GMM）算法在单独模型中编码一组演示，每个模型对应于不同的任务情况。然后，机器人通过选择良好的现有模型或要求新的示威性来最大化其预期的性能。与标准实施相比，将所有测试局势的所有演示进行编码，所提出的方法提供了四种优点。首先，简单地定义的距离功能可用于通过计算测试情况与现有模型之间的相似性来估计测试性能。其次，所提出的方法可以改善泛化，例如，更好地满足演示的任务约束和加速任务执行。第三，因为分层结构单独编码每个演示的情况，所以可以在同一框架中建模更广泛的任务情况而不会降低性能。最后，添加或删除演示突出了低计算负载，因此，可以逐步构建机器人的技能库。 We first instantiate the proposed approach in a simulated task to validate these advantages. We then show that the advantages transfer to real hardware for a task where naive participants collaborated with a Willow Garage PR2 robot to move a handheld object. For most tested scenarios, our hierarchical method achieved significantly better task performance and subjective ratings than both a passive model with only gravity compensation and a single TP-GMM encoding all demonstrations. SN - 1176-2322 UR - https://doi.org/10.1155/2019/9765383 DO - 10.1155/2019/9765383 JF - Applied Bionics and Biomechanics PB - Hindawi KW - ER -