隨著人機協作型機器人的廣泛應用，通過人機物理交互進行機器人運動技能學習是人工智能與機器人學交叉領域的前沿重點研究方向。其目的是利用人工智能技術從交互經驗數據中獲得機器人仿人操作技能，并泛化到新的相近任務或不同環境中，實現機器人的快速編程和高效適應，具有廣闊的應用前景。然而，現有絕大部分的技能學習方法受限于交互數據的數量和維度、參數的學習效率等，僅適用于單步、簡單的操作任務，缺乏考慮復雜長期操作任務的應用，存在效率低、適應性差等瓶頸問題。復雜長期操作任務是指機器人執行含有多個子目標，且各子目標之間存在強時-空耦合的操作任務，具有步驟多、數據量大、數據維度高等特點，是機器人運動技能學習研究的重點與難點。
圖1 面向復雜長期操作任務的機器人運動技能學習技術方案
基于此，廣東省科學院智能制造研究所機器人技術團隊提出了一種面向復雜長期操作任務的機器人運動技能高效學習方法。該方法引入稀疏高斯過程和變分推斷進行運動技能的建模與學習，能夠在任務精度保障下大幅度降低計算時間復雜度，提升學習效率，使機器人從大規模高維交互數據中進行運動技能學習成為可能。同時，研究人員提出含有先驗均值的多輸出高斯過程對新情形的運動約束進行協同建模，實現相近任務或不同環境下給定起始、中間、目標路徑點等約束時技能模型的精準調整和高效適應。該方法已在動態復雜環境下機器人執行多個急停按鈕的按壓任務中進行了理論驗證，并在物流倉儲等領域進行了應用測試，有效提升復雜長期操作任務下機器人的編程與部署效率。
相關成果發表于國際權威期刊《IEEE Transactions on Automation Science and Engineering》，吳鴻敏博士為第一作者，廣東省科學院智能制造研究所為第一單位。
論文信息
H. Wu, W. Yan, Z. Xu, T. Cheng, X. Zhou. (2021) A Framework of Robot Skill Learning from Complex and Long-horizon Tasks. IEEE Transactions on Automation Science and Engineering, 1-11.
論文鏈接：https://ieeexplore.ieee.org/abstract/document/9625636
（省科學院智能制造研究所/供稿）
附件下載：