.png){kind=icon}
返回
A Behavior Tree and Dynamic Motion Primitive-Based Framework for Learning and Executing Robotic Tasks From Demonstration
.png){kind=icon}
PRE
AI
DOI：10.1109/TASE.2026.3663665.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通过演示学习（LfD）使机器人能够通过观察人类行为获取复杂技能，显著减少了显式编程的需求。然而，在工业环境中应用LfD仍具挑战性，这源于演示数据有限、任务执行过程存在变异性以及跨不同场景泛化的需求。为解决这些问题，本文提出了一种基于学习的分层任务与运动规划框架，该框架整合了用于高层任务序列化的行为树（BT）和用于低层运动生成的动态运动基元（DMP）。演示轨迹通过一种以智能体为中心、状态增强的分割策略进行分割，并生成动作。随后，自动提取相关特征以定义每个动作的前后条件，用于构建模块化BT。在运动执行方面，DMP通过引入恢复机制实现自适应、避障感知的再现。同时引入了回溯机制以扩展BT。通过多任务仿真和实际实验进行了验证。对比结果表明，所提出的方法在任务成功率、效率和运动平滑性方面优于现有的LfD和规划基线，凸显了其在灵活、可扩展自动化方面的潜力。实践者注意——本研究提出了一种基于学习的框架，整合BT和DMP，使机器人能够高效地从演示中获取任务序列和运动技能。它解决了传统任务规划中常涉及繁琐逻辑设计的局限性，以及模仿学习方法通常局限于简单动作的约束。所提出的方法支持从复杂演示中学习以及在杂乱、动态环境中的自适应执行。它适用于复杂装配和多物体放置任务，为工业机器人的快速部署提供了一种实用且灵活的解决方案。
Keyword:
Behavior tree
dynamica motion primitives
learning from demonstration
期刊
IF:
6.4
论文数:
5.1K
被引数:
1.6W
机构
引用论文
Logic Learning From Demonstrations for Multi-Step Manipulation Tasks in Dynamic Environments基于演示的逻辑学习在动态环境中的多步操作任务
OAAI
OAAI分享收藏Model Predictive Control-based dynamic movement primitives for trajectory learning and obstacle avoidance基于模型预测控制的动态运动 primitive 用于轨迹学习和避障
OAAI
OAAI分享收藏Collaborative programming of robotic task decisions and recovery behaviors.png)
AUTONOMOUS ROBOTSOAAI
AUTONOMOUS ROBOTSIF4.3
OAAI分享收藏Comparing Skill Transfer Between Full Demonstrations and Segmented Sub-Tasks for Neural Dynamic Motion PrimitivesMachines
MachinesIF0
PREAI
分享收藏
查看更多内容