今日頭條
官方微信
官方抖音
資訊頻道在日常生活中，人們經常會進行具有節奏感的動作，例如音樂指揮家規律擺動的手勢、穩定勻速的行走等。這些動作都有一個共同特點：它們都具有周期性。讓機器人像人一樣穩定、精準地完成這種周期性動作，一直是機器人模仿學習中的難題。
中國科學院自動化研究所多模態人工智能系統重點實驗室的研究人員提出了一種全新的軌道穩定學習框架，讓機器人能夠直接從示范中學習并穩定復現周期性任務。這一方法不僅能保證機器人動作的平滑、連續和可預測，還能在受到外界擾動后迅速回到正確的節奏軌道，為節律性運動的復制帶來了新的突破，在機器人輔助的康復訓練等場景具有廣闊的應用前景。
目前，大多數機器人更擅長點到點的運動，即從空間中的指定位置直接移動到另一個指定位置，不限定路徑的具體軌跡，比如從傳送帶上抓取并移動物品。在進行周期性運動（如走路、康復訓練動作）時，機器人非常容易“跑偏”或逐漸失真。針對這一挑戰，本研究引入橫向收縮理論（Transverse Contraction Theory），為學習到的動力學系統提供軌道穩定性的理論保障。簡單來說，這相當于在機器人運動的“軌道”周圍加上“護欄”，無論起始狀態如何，機器人都會被“拉回”到穩定的周期軌道上，從而持續、準確地完成周期任務。
為將理論落地到機器人模仿學習中，本研究結合了再生核希爾伯特空間（RKHS）的函數表示方法，既保證了動力學模型的表達能力，又方便引入穩定性約束。相比傳統依賴大量矩陣不等式求解的方法，該框架通過約束簡化與核心集（coreset）采樣，將原本復雜的半無限優化問題轉化為可快速求解的凸二次優化問題，大幅提升了計算效率。模擬測試證明，該方法在平均平方誤差、Hausdorff距離、軌跡面積偏差等多個指標上均取得了最低誤差，尤其在長時間運動中保持了穩定的節律性。
此外，研究人員在多個真實場景中對所提方法進行驗證。在繪圖實驗中，機械臂可在平面上精準描繪出閉合曲線，即使存在輕微的環境噪聲，軌跡形狀依然保持完整，展示了精細、穩定的周期性運動；在康復訓練中，機器人可克服患者動作偏差或外界碰撞等擾動影響，迅速且靈活地調整姿態，保持標準的康復軌跡。下一步，研究人員將繼續推進該方法在醫療康復領域的應用，提高康復訓練的安全性與精度，為個性化、可重復的康復治療提供可靠的技術支撐。
相關工作近期在線發表于《國際機器人研究雜志》（International Journal of Robotics Research）。該論文的第一作者為多模態人工智能系統全國重點實驗室的張浩雨，程龍研究員為通訊作者。該研究得到了國家自然科學基金等項目的資助。
繪圖實驗
康復訓練實驗
來源：中國科學院自動化研究所
北京市公安局海淀分局備案號：11010802023656號