Phase-Amplitude Reduction-Based Imitation Learning

在本研究中，我们提出了使用相位-幅度减少方法构建模仿学习框架。模仿人类运动轨迹被认为是生成一系列类人机器人运动的有前途的策略。与以往基于动力学系统的模仿学习方法不同，我们提出的方法不仅允许机器人模仿极限循环轨迹，还能复制从初始或干扰状态到极限循环的瞬态运动。因此，我们的方法提供了一种更安全的模仿学习方法，避免在干扰或指定的初始状态后立即生成不可预测的运动。我们首先通过重构简单的极限循环吸引子验证了我们提出的方法。然后，我们在模拟机器人臂的引导下，将所提出的方法与传统方法进行了莲花轨迹跟踪任务的比较。我们的研究结果证实了我们提出的方法可以比以前的标准方法更准确地生成瞬态运动，以便收敛到目标周期吸引子。随后，我们将我们的方法应用于真实机器人臂上，以模仿周期性的人类运动。

本论文提出了一种相位-幅度约减方法来构建模仿学习框架。该方法旨在解决机器人在模仿人类运动时出现不可预测动作的问题。

与以往基于动力系统的模仿学习方法不同，该方法不仅可以模仿极限周期轨迹，还可以复制从初始或干扰状态到极限周期的瞬态运动。这使得机器人可以更安全地进行模仿学习，避免在干扰或指定初始状态后立即生成不可预测的运动。

论文首先在简单的极限周期吸引子上验证了该方法。然后，通过在模拟机器人手臂上进行莱姆尼斯准线轨迹跟踪任务，将该方法与传统方法进行了比较。结果表明，与以前的标准方法相比，该方法可以更准确地生成瞬态运动以收敛到目标周期吸引子。随后，将该方法应用于真实机器人手臂以模仿周期性人类运动。

最近的相关研究包括：《基于深度学习的模仿学习方法》、《使用生成对抗网络的模仿学习》、《机器人学习中的动力学系统方法》等。