提出了一种基于强化学习的机器人运动规划框架，使用隐式行为克隆和动态运动原语来提高离线强化学习代理的训练速度和泛化能力，同时提供了人类示范数据集，实验结果表明了该方法在模拟环境下的优势以及实际装配任务的适用性。

Jul, 2023

本文提出了一种基于动态动作原理的运动控制方法 CDMP，通过非线性优化来实现约束条件（如障碍物避让、工作空间限制）的满足，并在不同机器人以及环境下验证了该方法的有效性。

Sep, 2022

文章介绍了一种学习自演示 (LfD) 方法，用于应对带有关节机制的接触丰富的操作任务。从单个人类演示中提取的策略可以推广到相同类型的不同机制，并且对环境变化具有鲁棒性，其关键是通过与环境有目的地交互来自主增强初始演示以收集附加信息。针对多 DOF 的复杂机制的实际实验表明，我们的方法可以可靠地完成任务。

Oct, 2022

我们通过集成演示学习（LfD）到运动生成过程中，在复杂环境中（包括障碍物、通过点等）解决了高自由度机械臂的运动生成问题。我们通过在大规模模拟轨迹数据集上训练一个基于条件变分自动编码器变压器的结构，学习了关键的运动生成技能，并将其适应辅助任务和约束条件。我们的自回归方法实现了来自物理系统的实时反馈整合，增强了运动生成的适应性和效率。我们表明，我们的模型可以从初始点和目标点生成运动，同时也能够适应复杂任务的轨迹规划，包括障碍物避让、通过点和速度、加速度限制，在多种平台上实现。

Mar, 2024

通过半监督的学习方式，本研究在操作机器人通过感知力及学习示范来识别实物属性并生成所需运动的过程中，采用了力传感、从示范学习、无监督数据和触觉表示编码器等关键技术。结果表明，通过预训练，该学习方法在未知海绵上成功地识别了物理属性并生成了期望的擦拭运动，优于其他无预训练方法。此外，通过实际机器人硬件验证了模型生成的运动，并通过在模拟环境中预训练触觉表示编码器，捕捉到了真实物体的属性并提高了实验结果的泛化能力。

Sep, 2023

通过虚拟现实控制器提供直观且经济的任务演示方法，结合动作块划分和变量合规性控制的方法，提高了刚性机器人的灵活适应性和安全性。

Jun, 2024

本文介绍了如何将动态运动原始 (Dynamic Movement Primitives) 重构为具有控制输入的概率线性动态系统。通过这种概率表示，本文显示了卡尔曼滤波和平滑等算法在执行期间对前感觉传感器测量进行推理的可直接应用。我们进一步展示了推理如何通过反馈项自动调节 DMP 的执行，并测量成功执行给定运动基元的可能性。在这种情况下，我们展示了使用概率模型在模拟运动基元数据集中检测执行失败的初步结果。

Dec, 2016

机器人辅助手术中的政策学习存在数据效率低和多功能性方法不足的问题，本研究引入了运动原始扩散（MPD），一种新的机器人辅助手术中的模仿学习方法，专注于可变形物体的轻柔操控，通过将扩散型模仿学习（DIL）的多功能性与概率动态运动原始（ProDMPs）的高质量运动生成能力相结合，实现了 MPD 对可变形物体的轻柔操控，同时保持了对稀缺演示数据至关重要的数据效率，通过在多个模拟任务和真实世界的机器人设置上评估 MPD 在状态和图像观测方面表现出优于现有 DIL 方法的成功率、运动质量和数据效率。

Dec, 2023

通过使用信息熵作为准则，建议教师给出更具信息量的示范样例，从而提高机器人学习效率。使用增强现实引导系统对初学者进行训练，从熵最高的区域产生额外的示范，并在同一任务（保留）和新任务（转移）上测试性能，结果发现机器人的学习效率大幅提高，与启发式规则相比提高了 210%。

Oct, 2023

通过对 2D 场景图像进行示范轨迹草图，在三维任务空间中生成运动轨迹的概率模型，以此作为一种新型的 LfD（Learning for Demonstration）范式。

Sep, 2023