Collaborative motion planning for multi-manipulator systems through Reinforcement Learning and Dynamic Movement Primitives
Department of Mechanical & Aerospace Engineering, University of Virginia（机械与航空航天工程系，弗吉尼亚大学）
针对多机械臂协作任务中碰撞避免与状态空间复杂性问题，提出结合强化学习与动态运动基元的多层次方法，利用演示库生成自适应实时轨迹，并在PyBullet仿真中验证其有效性。
2025-03-05 cs.RO
Kick Motions for the NAO Robot using Dynamic Movement Primitives
Universität Bremen（不来梅大学）
在本文中，我们提出了流行的\emph{Dynamic Movement Primitives (DMP)}方法的足球比赛人形机器人域的可能第一个应用程序。DMP以其模仿先前演示的运动以及灵活地适应相对于速度和方向的期望轨迹的不可预见的变化的能力而闻名。如本文所示，这使得它们成为描述井涌运动的有用方法。此外，我们提出了一个数学电机模型，补偿NAO机器人的电机控制延迟，以及一个新的轻微扩展的NIO制定。电机模型用于计算零力矩点（ZMP），这是需要保持平衡的机器人，而踢。所有的方法都在真正的NAO机器人上进行了评估。
2016-06-02 cs.RO
Dynamic Interaction Probabilistic Movement Primitives
人机协作正在兴起。机器人需要通过正确预测人类的意图来不断提高它们协助人类的效率和流畅性。要做到这一点，预测模型需要提高其准确性和响应能力。这项工作建立在具有相位估计的交互运动原语之上，并重新制定了框架，以使用动态人体运动观察，不断更新预期运动。原始框架只考虑一个固定持续时间的静态人体观察，用于执行只有一个预期的运动。动态观测，内置的相位估计，产生一系列更新的机器人运动分布。在现有的和最新的最有可能的机器人运动分布之间进行协同激活。这导致了高度准确和具有增强的响应性的平滑的预期机器人运动。
2019-01-30 cs.RO
Human-robot collaborative object transfer using human motion prediction based on Cartesian pose Dynamic Movement Primitives
Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）；Chalmers University of Technology（查尔姆斯理工大学）
在这项工作中，问题的人-机器人协作对象转移到未知的目标位姿。使用DMP（动态运动基元）对末端执行器姿态轨迹到已知目标姿态的期望模式进行编码。在物体向新的未知目标的转移过程中，提出了一种基于DMP的参考模型和EKF（Extended卡尔曼滤波器）方法，用于估计目标的位姿和人的预期运动持续时间。提供了整体方案的稳定性分析。实验使用Kuka LWR 4+机器人配备ATI传感器在其末端执行器验证其功效方面所需的人力，并比较它与导纳控制方案。
2021-10-27 cs.RO
Deep Probabilistic Movement Primitives with a Bayesian Aggregator
University of Alberta（阿尔伯塔大学）；University of Innsbruck（因斯布鲁克大学）
本文提出一种统一的深度运动基元架构，结合贝叶斯上下文聚合器，在保持线性运动基元操作能力的同时，实现了更广泛的输入条件化与复杂运动复现。
2024-06-06 cs.LG cs.RO
Movement Primitives in Robotics: A Comprehensive Survey
Department of Computer Science and Engineering, The University of Texas at Arlington, Arlington, USA（计算机科学与工程系，德克萨斯理工大学阿灵顿分校，阿灵顿，美国）
综述机器人运动基元框架，涵盖从人类示教中编码轨迹的方法，分析弹簧-阻尼系统、概率耦合、神经网络等特性，并讨论应用与挑战。
2026-06-19 cs.AI cs.RO
Dynamic Movement Primitive based Motion Retargeting for Dual-Arm Sign Language Motions
Zhejiang University（浙江大学）；ABB Corporate Research Center（ABB企业研究中心）
我们的目标是开发一种有效的编程方法，为装备服务机器人的技能，执行手语运动。针对以往运动重定向技术研究中很少考虑的双臂手语复杂动作从人到机器人的传递问题，提出了一种新的手势重定向方法。在本文中，我们提出了一种新的运动重定向方法，利用图优化和动态运动原语（DMPS）的这个问题。我们采用DMPs的领导者-追随者的方式参数化的原始轨迹，同时保持运动节奏和人体部位之间的相对运动，并采用了三步优化过程，找到变形的轨迹机器人运动规划，同时确保机器人执行的可行性。在ABB的YuMi双臂协作机器人（14-DOF）上成功地进行了几种中国手语（CSL）运动的实验结果，该机器人具有两个6-DOF Inspire-Robotics的多指手，总共有26个自由度。
2021-03-05 cs.RO
A Generalized Robotic Handwriting Learning System based on Dynamic Movement Primitives (DMPs)
Georgia Institute of Technology（佐治亚理工学院）
示教学习（Learning from demonstration，LfD）是一种功能强大的学习方法，它能够使机器人在一个或多个人类演示的情况下推断出如何执行所需任务。通过从最终用户演示中学习，而不是要求领域专家手动编程每项技能，机器人可以更容易地应用于更广泛的现实世界应用。书写机器人作为LfD的应用之一，由于人类手写轨迹的复杂性，已经成为一个具有挑战性的研究课题。在本文中，我们介绍了一个广义的手写学习系统的物理机器人学习从人类的笔迹的例子，以绘制字母数字字符。我们的机器人系统能够模仿人类演示者的书写方式重写字母，并以类似的书写风格创建新的字母。对于这个系统，我们开发了一个增强的动态运动基元（dynamic movement primitive，简称MOM）算法，MOM *，它增强了我们的机器人系统的鲁棒性和泛化能力。
2020-12-07 cs.RO
Incremental Learning of Full-Pose Via-Point Movement Primitives on Riemannian Manifolds
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
本文提出面向运动基元库的七种增量操作，并基于黎曼流形实现全位姿VMP位置与朝向参数的增量学习。
2023-12-13 cs.RO
MeshDMP: Motion Planning on Discrete Manifolds using Dynamic Movement Primitives
Università di Trento（特伦托大学）；New York University Abu Dhabi（纽约大学阿布扎比分校）
本文提出MeshDMP方法，通过在离散流形上应用微分算子嵌入工件几何信息并扩展DMPs框架，使机械臂能在复杂曲面上学习、泛化并生成接触式运动，在仿真和真实抛光实验中表现优异。
2025-01-30 cs.RO
Human-robot collaborative transport personalization via Dynamic Movement Primitives and velocity scaling
Department of Innovative Technologies, University of Applied Science and Arts of Southern Switzerland (SUPSI)（创新技术系，瑞士南方应用科学与艺术大学）
本文提出基于动态运动基元（DMPs）和实时速度缩放的个性化轨迹生成方法，通过工业级人机协作搬运实验验证其在适应性、用户偏好和生理指标上均优于BiTRRT规划器。
2025-06-17 cs.RO
Constrained Probabilistic Movement Primitives for Robot Trajectory Adaptation
Volkswagen Machine Learning Research Lab（大众机器学习研究实验室）
将机器人置于受控条件之外需要多功能的运动表示，使机器人能够学习新任务并使其适应环境变化。在工作空间中引入障碍物或放置额外的机器人，由于故障或运动范围限制而修改关节范围是适应能力对于安全执行机器人任务起关键作用的典型情况。概率运动基元（ProMPs）已被提出用于表示适应性运动技能，其被建模为轨迹上的高斯分布。这些都是易于分析的，可以从少量的演示中学习。然而，原始ProMP公式和随后的方法都仅提供特定运动适应问题的解决方案，例如，障碍避免和一个通用的，统一的，概率的适应方法是缺失的。在本文中，我们开发了一个通用的概率框架，以适应ProMP。我们统一了以前的适应技术，例如，各种类型的避障，通过点，相互回避，在一个单一的框架，并结合它们来解决复杂的机器人问题。此外，我们得到新的适应技术，如时间上未绑定的通过点和相互回避。我们制定适应作为一个受约束的优化问题，我们最大限度地减少Kullback-Leibler分歧之间的适应分布和原始原始的分布，而我们约束的概率质量与不希望的轨迹是低的。我们在模拟平面机器人手臂和双机器人手臂设置中的7自由度Franka-Emika机器人上展示了我们解决几个自适应问题的方法。
2022-01-05 cs.RO
Whole-Body Control for Velocity-Controlled Mobile Collaborative Robots Using Coupling Dynamic Movement Primitives
Shenzhen Institute of Artificial Intelligence and Robotics for Society (AIRS)（深圳人工智能与机器人研究院（AIRS））；Harbin Institute of Technology（哈尔滨工业大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
在本文中，我们提出了一个统一的全身控制框架速度控制移动协作机器人，可以分配任务运动到手臂和移动基地根据特定的任务要求，通过调整加权因子。我们的框架侧重于解决全身协调中的两个挑战性问题：1）移动基座和手臂的不同动态特性; 2）避免违反安全和配置约束。此外，我们的控制器还包括耦合动态运动基元，以实现协作和交互应用的基本功能，例如避障、人工教学和合规控制。在此基础上，我们设计了一个自适应的运动模式，直观的物理人机交互，通过调整的权重因子。所提出的控制器是在封闭的形式，因此相当计算效率。在一个实际的移动协作机器人上进行的几个典型的实验验证了所提出的控制器的有效性。
2022-11-06 cs.RO
Imitation Learning via Discrete and Rhythmic Primitive Composition
McGill University（麦吉尔大学）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
针对现有模仿学习方法无法泛化离散与节律运动的问题，提出神经动态组合框架，通过分阶段训练课程实现DMP的监督式组合，在2D手写和3D机器人任务上性能优于基线。
2026-10-14 cs.RO
Residual Robot Learning for Object-Centric Probabilistic Movement Primitives
Technische Universität Darmstadt（达姆施塔特工业大学）
希望未来的机器人能够快速学习新任务，并使学习到的技能适应不断变化的环境。为此，ProbabilityMovement Primitives（ProMPs）已被证明是一个很有前途的框架，可以从演示轨迹的分布中学习可推广的轨迹生成器。然而，在实际应用中，需要高精度的对象的操纵，ProMP的准确性往往是不够的，特别是当他们学习carnival空间从外部观察和执行有限的控制器增益。因此，我们建议将ProMPs与最近引入的残差强化学习（RRL）相结合，以解决任务执行过程中位置和方向的校正问题。特别是，我们学习一个标称ProMP轨迹与软演员批评顶部的残差，并将示范的变化作为决策变量，以减少RRL的搜索空间。作为一个概念证明，我们评估我们提出的方法上的3D块插入任务与7自由度弗兰卡Panda机器人。实验结果表明，机器人成功地学习完成插入，这是不可能的，以前使用基本的ProMP。
2022-03-08 cs.RO
Active Learning of Probabilistic Movement Primitives
University of Utah（犹他大学）；NVIDIA（英伟达）
概率运动基元（ProMP）定义了具有相关联的反馈策略的轨迹上的分布。ProMP通常从人类演示中初始化，并通过概率操作实现任务泛化。然而，目前还没有原则性的指导文献，以确定多少示范教师应该提供和什么构成一个“好”的示范，促进泛化。在本文中，我们提出了一个主动学习的方法来学习一个图书馆的ProMP能够在给定的空间任务泛化。我们利用不确定性抽样技术来生成一个任务实例，教师应该提供一个示范。如果可能，将所提供的演示合并到现有的ProMP中，或者如果确定新的ProMP与现有的演示太不相似，则从演示创建新的ProMP。我们提供了一个常见的主动学习指标之间的定性比较，这种比较的动机，我们提出了一种新的不确定性抽样方法命名为最大马氏距离。我们在一个真正的KUKA机器人上进行抓取实验，并表明我们的新主动学习措施比空间上的随机采样更少的演示实现了更好的任务泛化。
2022-05-04 cs.RO
BMP: Bridging the Gap between B-Spline and Movement Primitives
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文提出B样条运动基元（BMPs），通过将B样条重新表述为运动基元，结合两者优势，使其在满足边界条件的同时捕捉高阶统计量，提升了在模仿学习和强化学习中的表达能力与适用性。
2024-12-20 cs.RO
Compliant Movement Primitives in a Bimanual Setting
University of Novi Sad（诺维萨德大学）；Jožef Stefan Institute（约瑟夫·斯特凡研究所）
同时实现低轨迹误差和顺应控制\emph{without}明确的模型的任务，有效地解决了顺应运动原语（CMP）。对于单机器人任务，这意味着它准确地遵循其轨迹，但在扰动的情况下也表现出顺从行为。在本文中，我们扩展这种行为没有明确的模型，双手的任务。在任何机器人上存在外部扰动的情况下，它们都将同步移动，以保持它们的相对姿态，从而不会对它们所携带的物体施加力。因此，他们将在绝对任务中顺从地行事，但在相对任务中保持僵硬。为了实现顺应性的绝对行为和刚性的相对行为，我们结合关节空间CMP与众所周知的对称控制方法。为了减少必要的反馈反应的对称控制，我们进一步增加它与复制的虚拟力矢量在末端执行器，通过测量的外部关节扭矩计算。两个库卡LWR-4机器人在双手设置的实际结果证实了该方法的适用性。
2017-07-14 cs.RO
Impedance Adaptation by Reinforcement Learning with Contact Dynamic Movement Primitives
Agile Robots AG（敏捷机器人公司）；Fraunhofer IPK（弗劳恩霍夫生产设备与设计技术研究所）；Universität Hamburg（汉堡大学）；Intel Asia-Pacific Research & Development Ltd.（英特尔亚太研发有限公司）
动态运动基元（DMP）允许复杂的位置轨迹被有效地演示给机器人。在接触丰富的任务中，在接触几何形状变化的情况下，单独的位置轨迹可能不安全或鲁棒，DMP已经扩展到包括力轨迹。然而，不同的任务阶段或自由度可能需要跟踪位置或力--例如，一旦进行接触，则更重要的是在接触方向上跟踪力演示轨迹。机器人阻抗在跟随位置或力参考轨迹之间平衡，其中高刚度跟踪位置并且低刚度跟踪力。本文提出了使用DMPs从演示中学习位置和力的轨迹，然后通过强化学习训练的更高级别的控制策略在线调整阻抗参数。这允许使用DMP一次性演示任务，并通过阻抗自适应提高鲁棒性和性能。该方法在钉孔和胶带应用任务上进行了验证。
2022-03-21 cs.RO
Dynamic via-points and improved spatial generalization for online trajectory planning with Dynamic Movement Primitives
Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）
本文针对 DMP 空间泛化异常和途经点纳入不足的问题，提出一种改进的在线空间泛化方法，通过权重在线自适应在满足动态途经点约束下最小化与演示加速度轮廓的距离，仿真和实验验证了其有效性。
2023-07-06 cs.RO
Dynamic Movement Primitives: Volumetric Obstacle Avoidance Using Dynamic Potential Functions
University of Verona（维罗纳大学）
DMPs的避障仍然是一个具有挑战性的问题。在我们以前的工作中，我们提出了一个框架的基础上超二次势函数来表示体积的避障。在这项工作中，我们扩展了我们以前的工作，包括在定义的潜在的轨迹的速度。我们的公式保证了相对于最先进的点状方法的更平滑的行为。此外，我们的新配方允许获得一个更平滑的行为，在附近的障碍物比使用静态（即速度无关）的潜力。我们验证了我们的框架避障在一个模拟的多机器人的情况下，并与不同的真实机器人：拾取和放置任务的工业机械手和手术机器人，以显示可扩展性;和导航与移动机器人在动态环境中。
2020-07-01 cs.RO
One-Shot Learning for Double-Shot Latte Art: Adapting Cobot Pouring Skills with Dynamic Movement Primitives
UTS Robotics Institute（UTS机器人研究所）；School of Electrical, Mechanical and Biomedical Engineering（电气、机械与生物医学工程学院）；University of Technology Sydney（悉尼科技大学）
本研究提出采用单次学习系统，将咖啡师演示分割为五个阶段编码为CDMP，可降低误差并适配不同容量杯子，还能推广到其他演示任务。
2026-10-16 cs.RO
Interaction-Stiffness-Guided Basis Allocation in Dynamic Movement Primitives for Efficient Skill Transfer
Ningbo Institute of Materials Technology and Engineering, Chinese Academy of Sciences（中国科学院宁波材料技术与工程研究所）；University of Chinese Academy of Sciences（中国科学院大学）；The Hong Kong Polytechnic University（香港理工大学）
本文提出阶段关键性引导的动态运动原语（SC-DMPs），利用交互刚度和轨迹一致性构建关键性指标，自适应分配基中心和带宽，提升高关键性阶段的表示密度，在多个任务上实现更优的轨迹再现和泛化性能。
2026-10-02 cs.RO
Interactive Imitation Learning of Bimanual Movement Primitives
针对双臂任务的单臂策略同步协调难题，提出SIMPLe算法，基于GPR的新型策略图编码结合刚度调节，可通过人类动觉示教教授修正单/双臂阻抗策略，经真实双臂平台验证有效。
2023-08-25 cs.RO
Constrained Dynamic Movement Primitives for Safe Learning of Motor Skills
Brown University（布朗大学）；Mitsubishi Electric Research Labs（三菱电机研究实验室）
动态运动基元被广泛用于学习技能，这些技能可以由熟练的人或控制器向机器人演示。虽然它们的泛化能力和简单的公式使它们非常有吸引力，但它们没有强有力的保证来满足任务的操作安全约束。在本文中，我们提出了受约束的动态运动基元（C），它可以让约束满足的机器人工作空间。我们提出了一个非线性优化的配方，扰动的局部加权回归回归的强制权，承认归零障碍函数（ZBF），这证明工作空间约束满足。我们证明了建议的Cynomial在不同的约束下的末端执行器的运动，如避障和工作空间的物理机器人的限制。一个视频显示了在不同环境中使用不同的操纵器实现所提出的算法，可以在这里找到https://youtu.be/hJegJJkJfys。
2022-09-28 cs.AI cs.RO
Dimensionality Reduction of Movement Primitives in Parameter Space
Technische Universität Darmstadt（达姆施塔特工业大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
运动基元是现实世界机器人的重要策略类。然而，它们的参数化的高维性使得策略优化在样本和计算方面都是昂贵的。实现运动基元的有效表示有助于机器学习技术的应用，例如机器人技术上的强化。运动，特别是在高度冗余的运动学结构中，在位形空间中表现出高度的相关性。由于这些原因，以前的工作主要集中在应用降维技术的配置空间。在本文中，我们研究的应用降维的参数空间，识别主要的运动。由此产生的方法是丰富的概率处理的参数，继承所有属性的概率运动原语。我们测试所提出的技术都在一个真正的机器人任务和复杂的人类运动的数据库。实证分析表明，参数空间中的降维比配置空间中的降维更有效，因为它使运动的表示与参数的显着减少。
2020-02-26 cs.LG cs.RO stat.ML
Beyond Predefined Actions: Integrating Behavior Trees and Dynamic Movement Primitives for Robot Learning from Demonstration
Center for Applied Autonomous Sensor Systems (AASS)（应用自主传感系统中心）
提出将 DMP 控制器集成进 BT 框架的方法，从单次演示联合学习任务结构与运动动作，消除预定义动作需求并提升策略可解释性、模块化与适应性。
2025-05-13 cs.RO
Vision-Based Dexterous Motion Planning by Dynamic Movement Primitives with Human Hand Demonstration
Dalhousie University（达尔豪斯大学）
针对现有机械臂演示学习未考虑手部姿态的问题，本文提出基于单深度相机与MediaPipe的人手动作捕捉框架，结合动态运动基元让7自由度机械臂学习含姿态的灵巧抓取放置任务，可适配不同起止点。
2024-08-19 cs.RO
Blending Primitive Policies in Shared Control for Assisted Teleoperation
Preferred Networks Inc.（首选网络公司）
运动原语具有适应机器人状态变化的属性，同时保持对原始策略的吸引力。因此，我们调查使用原语作为一种混合机制，考虑到从原始政策的状态偏差是由用户输入。当原语从用户输入中恢复时，它隐式地混合了人类和机器人策略，而不需要它们的权重-称为仲裁。在本文中，我们采用了动态运动原语（DMPs），这使我们能够避免多次演示的需要，并且速度足够快，可以实现大量的实例化，每个实例对应于人类意图的每个假设。用户研究辅助遥操作任务，达到多个目标和动态避障。实现了与传统遥控操作相当的性能，同时显着减少了人为干预，通常超过60%。
2022-04-14 cs.RO
Kernelized Movement Primitives
Istituto Italiano di Tecnologia（意大利技术研究院）
模仿学习作为一种将人类技能转移到机器人身上的便捷方式得到了广泛的研究。这种学习方法的目的是从人体演示中提取相关的运动模式，并随后将这些模式应用于不同的情况。尽管已经取得了许多进步，但用于应对不可预测情况的解决方案（例如，障碍和外部扰动）和高维输入仍然很大程度上是开放的。在本文中，我们提出了一种新的内核化的运动原语（KMP），它允许机器人适应学习的运动技能，并履行各种额外的限制在任务的过程中产生的。具体来说，KMP能够学习与高维输入相关联的轨迹，这是由于核处理，这反过来又使模型具有更少的开放参数，而不是依赖于基函数的方法。此外，我们扩展我们的方法，利用本地轨迹表示在不同的坐标系，描述手头的任务，赋予KMP可靠的外推能力，在更广泛的领域。我们将KMP应用于时间驱动轨迹的学习作为一种特殊情况，其中利用了描述轨迹及其一阶导数的紧凑参数表示。为了验证我们的方法的有效性，提供了几个例子的轨迹调制和外推与时间输入，以及与高维输入的轨迹适应。
2018-03-06 cs.RO
Incremental Learning of Probabilistic Movement Primitives (ProMPs) for Human-Robot Cooperation
Western Norway University of Applied Sciences（西挪威应用科学大学）；University of Plymouth（普利茅斯大学）
为了成功部署物理人机合作（pHRC），人类需要能够快速教会机器人新的运动技能。概率运动基元（ProMPs）是一种很有前途的方法来编码机器人的运动技能，从人类的示范pHRC设置。然而，大多数从人类演示中学习ProMP的算法都以批处理模式运行，这在pHRC中并不理想。在本文中，我们提出了一个新的学习算法，学习ProMP增量pHRC设置。我们的算法在新的演示到达时按顺序加入新的演示，允许人类观察机器人的学习进度，并逐渐塑造机器人的运动技能。一个内置的遗忘因子允许由人类的学习曲线或任务约束的变化引起的校正演示。我们比较我们的算法的性能，现有的批处理ProMP算法的参考数据产生的拾取和放置任务在我们的实验室。此外，我们在一个概念研究的证明中展示了一只弗兰卡·帕卡熊猫的遗忘因子是如何让我们在任务中采用变化的。本文提出的增量式学习算法有可能导致一个更直观的学习过程，并建立一个成功的人与机器人之间的合作速度比训练在批处理模式。
2021-05-28 cs.RO
ProDMPs: A Unified Perspective on Dynamic and Probabilistic Movement Primitives
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Bosch Center for Artificial Intelligence（博世人工智能中心）；University of Tübingen（图宾根大学）
运动基元（MP）是表示和生成模块化轨迹的公知概念。MP可以大致分为两种类型：（a）基于动力学的方法，从任何初始状态生成平滑的轨迹，e。例如，在一个实施例中，动态运动基元（DMP），以及（b）捕获运动的高阶统计的概率方法，例如，在一个实施例中，Probability Movement Primitives（ProMP）。然而，到目前为止，还没有一种方法将两者统一起来，即。e.它可以从任意初始状态生成平滑的轨迹，同时捕获高阶统计量。在本文中，我们介绍了一个统一的角度来看，这两种方法通过解决的ODE基础的DMP。我们将昂贵的在线数值积分的DMPs到可以离线计算的基函数。这些基函数可以用来表示类似于ProMP的轨迹或轨迹分布，同时保持动力系统的所有属性。由于我们继承了这两种方法的属性，我们称我们提出的模型为概率动态运动基元（ProDMPs）。此外，我们将ProDMP嵌入到深度神经网络架构中，并提出了一种新的成本函数，用于高阶轨迹统计的有效端到端学习。为此，我们利用贝叶斯聚合对感官输入进行非线性迭代调节。我们提出的模型实现了平滑的轨迹生成，目标吸引子收敛，相关性分析，非线性条件，并在线重新规划在一个框架。
2022-10-04 cs.LG cs.RO
Dynamic Movement Primitives in Robotics: A Tutorial Survey
University of Innsbruck（因斯布鲁克大学）；Aalto University（阿尔托大学）；University of Southern Denmark（南丹麦大学）；Delft University of Technology（代尔夫特理工大学）
本文以教程式综述梳理动态运动基元（DMPs）的数学表述、实现细节、方法优劣与文献分类，并讨论其局限和未来方向。
2021-02-07 cs.RO
FODMP: Fast One-Step Diffusion of Movement Primitives Generation for Time-Dependent Robot Actions
University of Alberta（阿尔伯塔大学）
FODMP通过单步解码器生成时间结构化运动，提升机器人实时控制性能，速度比MPD快10倍，能拦截快速飞来的球。
2026-03-25 cs.AI cs.RO
Generative adversarial training of product of policies for robust and adaptive movement primitives
Idiap Research Institute（Idiap研究所）；EPFL（洛桑联邦理工学院）
在示教学习中，许多轨迹的生成模型简化了独立性的假设。为了学习阶段的易处理性和速度，牺牲了正确性。被忽略的依赖关系，通常是系统的运动学和动力学约束，然后只有在合成运动时才恢复，这可能会引入严重的失真。在这项工作中，我们建议在流行的生成对抗框架中使用这些近似轨迹分布作为接近最佳的鉴别器，以稳定和加速学习过程。我们的方法解决了适应性和鲁棒性两个问题。为了适应不同的背景下的运动，我们建议使用的高斯政策定义在几个参数化的任务空间的产品。通过使用随机梯度下降和系综方法来学习随机动态，确保了对扰动和变化动态的鲁棒性。在一个7自由度机械臂上进行了两个实验来验证该方法。
2020-11-06 cs.RO
Imitation Learning for Robotic Assisted Ultrasound Examination of Deep Venous Thrombosis using Kernelized Movement Primitives
University of Verona（维罗纳大学）；University of Southern Denmark（南丹麦大学）；Ropca ApS
针对DVT超声检查依赖操作者技能的问题，提出基于核化运动原语的模仿学习方法，利用超声技师演示训练机器人控制器，实现力控制和图像质量的专家级复制，优于手动力配置文件方法，提高检查标准化。
2024-11-08 cs.RO
Safe Adaptive Switching among Dynamical Movement Primitives: Application to 3D Limit-Cycle Walkers
Department of Mechanical Engineering, University of Delaware（德克萨斯大学达勒姆分校机械工程系）
本文提出了一种安全的动态运动基元切换方法，用于生成机器人运动计划，通过在存在外部扰动的情况下确保执行的安全性，应用于3D极限环步行机器人以适应持续的外部力。
2018-10-01 cs.RO cs.SY eess.SY
Adaptation and Robust Learning of Probabilistic Movement Primitives
Max Planck Institute（马克斯·普朗克研究所）；TU-Darmstadt（达姆施塔特工业大学）
运动基元的概率表示为机器人学中的机器学习开辟了重要的新的可能性。这些表示能够捕获教师演示的可变性作为轨迹上的概率分布，提供合理的探索区域和适应机器人环境变化的能力。然而，为了能够捕获不同关节之间的可变性和相关性，与其确定性对应物相比，概率性运动基元需要估计更多数量的参数，其仅关注于对平均行为进行建模。在本文中，我们利用先验分布的概率运动原语的参数，使一些训练实例的参数的鲁棒估计。此外，我们引入了通用的运营商，以适应运动基元在联合和任务空间。建议的训练方法和适应运营商进行了测试，在咖啡准备和机器人乒乓球任务。在咖啡制备任务中，我们评估了目标区域中咖啡研磨机和冲泡室的位置变化的泛化性能，仅在两次演示后就实现了所需的行为。在乒乓球任务中，我们评估了命中率和返回率，优于以前的方法，同时使用更少的任务特定策略。
2020-02-19 cs.LG cs.RO stat.ML
Orientation Probabilistic Movement Primitives on Riemannian Manifolds
Bosch Center for Artificial Intelligence（博世人工智能中心）；University of Leoben（莱奥本大学）
学习复杂的机器人运动必然要求具有能够在操作空间中定义任务时编码和检索全姿态轨迹的模型。概率运动基元（ProMPs）作为一种原则性方法脱颖而出，它对从演示中学习到的轨迹分布进行建模。ProMP允许轨迹调制和混合，以实现对新情况的更好概括。然而，当ProMP在操作空间中使用时，它们的原始公式不直接适用于包括由四元数描述的旋转轨迹的全姿态运动。本文提出了一种黎曼公式的ProMPs，使编码和检索的四元数轨迹。我们的方法建立在黎曼流形理论，并利用多线性测地线回归估计ProMPs参数。这种新的方法使ProMP学习复杂的全姿态机器人运动模式的一个合适的模型。黎曼ProMP测试玩具的例子来说明他们的工作流程，并在真正的学习演示实验。
2021-10-28 cs.LG cs.RO
Temporally Coupled Dynamical Movement Primitives in Cartesian Space
Lund University（隆德大学）
本文提出了一种在笛卡尔空间中耦合动态运动素体（DMPs）的控制方法，利用单位四元数表示姿态，并证明单位四元数集减去一个点是可缩的，从而设计出连续且全局渐近稳定的反馈控制系统。
2019-05-27 cs.RO cs.SY eess.SY
Movement Primitive Diffusion: Learning Gentle Robotic Manipulation of Deformable Objects
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文提出运动基元扩散（MPD）方法，将扩散模仿学习与概率动态运动基元结合，在机器人辅助手术中实现数据高效且高质量的可变形物体轻柔操作，并在多项任务中超越现有方法。
2024-06-10 cs.AI cs.LG cs.RO
SPECTRA: Context-Conditioned Spectral Movement Primitives for Robot Skill Generalization
Technical University of Munich（慕尼黑工业大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Shanghai Jiao Tong University（上海交通大学）
研究机器人操作模仿学习中如何保留任务几何形状与动态可允许运动，提出频谱运动基元框架，结合任务空间与关节空间调节，经实验验证该方法在多方面表现良好，能有效实现技能泛化。
2026-07-15 cs.RO
Conditional Neural Expert Processes for Learning Movement Primitives from Demonstration
Bogazici University（博阿齐奇大学）
提出条件神经专家过程 CNEP，无需模态标签即可将多模态演示分配给专家网络，在多模态数据集和真实机器人任务上优于多种 LfD 基线，并支持在线适应与可解释的专家选择。
2024-07-06 cs.LG cs.RO
From RGB images to Dynamic Movement Primitives for planar tasks
Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）
本文提出深度残差网络与 DMP 结合的框架，从 RGB 图像自动推断运动模式权重及起止位置，并在两个平面任务中验证。
2024-01-17 cs.RO
BT-TL-DMPs: A Novel Robot TAMP Framework Combining Behavior Tree, Temporal Logic and Dynamical Movement Primitives
Institute of Robotics and Automatic Information Systems, College of Artificial Intelligence, Nankai University（机器人与自动信息系统研究所，人工智能学院，南开大学）；Tianjin Key Laboratory of Intelligent Robotics, Nankai University（智能机器人重点实验室，南开大学）；College of Artificial Intelligence, Nankai University（人工智能学院，南开大学）；Department of Computing, The Hong Kong Polytechnic University（计算学院，香港理工大学）
本文提出BT-TL-DMPs分层框架，结合行为树、时序逻辑与动态运动基元，通过STL约束优化DMP，实现长时程复杂操作任务的可靠泛化。
2025-07-19 cs.RO
Autonomous Interpretation of Demonstrations for Modification of Dynamical Movement Primitives
LCCC Linnaeus Center（LCCC林纳尤斯中心）；ELLIIT Excellence Center（ELLIIT卓越中心）
本文提出了一种框架，使机器人操作员能够直观地调整动力学运动原语（DMPs）。通过使用引导通过编程，操作员可以演示纠正轨迹，从而生成一个结合故障轨迹前部分和纠正轨迹后部分的修改DMP。
2019-05-27 cs.RO cs.SY eess.SY
Interactive Movement Primitives: Planning to Push Occluding Pieces for Fruit Picking
University of Lincoln（林肯大学）；Centre for Autonomous Systems (L-CAS)（自主系统中心（L-CAS））
机器人技术越来越被认为是水果采摘的主要手段。然而，采摘密集集群中的水果提出了一个具有挑战性的研究问题，在运动/路径规划方面，传统的规划方法可能无法找到无碰撞的运动，机器人达到和采摘一个成熟的水果在密集集群。在这种情况下，机器人需要安全地推动未成熟的水果到达成熟的水果。尽管如此，现有的方法来规划推动运动在杂乱的环境中要么是计算昂贵的或只处理2-D的情况下，不适合水果采摘，它需要计算3-D推动运动在很短的时间。在这项工作中，我们提出了一个路径规划算法，推动闭塞的水果达到和采摘成熟的。我们提出的方法，称为交互式概率运动原语（I-ProMP），是不是计算昂贵的（其计算时间是在100毫秒的顺序），并很容易用于3-D的问题。我们证明了我们的方法的效率，推动未成熟的草莓在模拟polytunnel。我们的实验结果证实了I-ProMP成功地推动了桌面种植的草莓，并达到了成熟。
2020-09-25 cs.AI cs.RO
Language Movement Primitives: Grounding Language Models in Robot Motion
Collab , Dept. of Mechanical Engineering, Virginia Tech, Blacksburg, VA 24061（合作组，机械工程系，弗吉尼亚理工学院，黑斯堡，VA 24061）；TEA Lab , Dept. of Mechanical Engineering, Virginia Tech, Blacksburg, VA 24061（TEA实验室，机械工程系，弗吉尼亚理工学院，黑斯堡，VA 24061）
提出语言运动基元（LMP）框架，通过将视觉语言模型（VLM）推理与动态运动基元（DMP）参数化结合，实现零样本机器人操作任务。
2026-05-22 cs.RO
Motion Primitives for Robotic Flight Control
我们介绍了一个简单的框架，学习积极的机动飞行控制的无人机。受生物环境的启发，利用非线性收缩理论对动态运动基元进行分析和扩展。因此，观察到的运动的基元被稳定地组合和连接。我们证明了我们的实验结果的Quanser直升机，在其中我们首先模仿侵略性的演习，然后使用它们作为原语，以实现新的机动，可以飞越障碍物。
2008-10-15 cs.LG cs.RO
Parameter-Free Segmentation of Robot Movements with Cross-Correlation Using Different Similarity Metrics
Persistent Autonomy and Robot Learning (PeARL) Lab, University of Massachusetts Lowell（持久自主与机器人学习实验室，马萨诸塞大学洛厄尔分校）
本文提出一种基于互相关且无需参数设置的机器人运动分割方法，通过引入适用于机器人运动特征的相似性度量，在仿真和真实实验中验证了其快速准确的分割效果。
2025-05-09 cs.RO
Deep Learning for Koopman-based Dynamic Movement Primitives
U.S. Naval Research Laboratory（美国海军研究实验室）
本文融合 Koopman 算子与动态运动基元，提出 ADMD 方法，利用自编码器将非线性动力系统映射到线性潜在空间，以少量示教实现复杂运动复现，并在 LASA Handwriting 上取得与 EDMD 相当的效果。
2023-12-06 cs.LG cs.RO
Experience Reuse with Probabilistic Movement Primitives
Technische Universität Darmstadt（达姆施塔特工业大学）；Max-Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Universität zu Lübeck（吕贝克大学）
获得新的机器人运动技能是很麻烦的，因为从头开始学习一项技能并且没有先验知识需要探索大空间的运动配置。因此，为了学习新任务，可以通过利用类似任务的解来初始化参数搜索空间来限制参数搜索空间，从而节省时间。我们提出了一个框架，这是能够这样的知识转移，从已经学到的运动技能，一个新的学习任务。该框架结合了概率运动原语的技能表示的影响的描述。新的技能首先初始化的参数推断相关的运动原语，然后通过相对熵策略搜索适应新的任务。我们比较了两种不同的转移方法来初始化的搜索空间分布与数据的已知技能具有类似的效果。我们展示了两种知识转移方法在模拟3自由度机器人的物体推送任务上的不同好处。我们可以证明，当利用过去的经验时，学习技能的质量得到了提高，学习新任务所需的迭代次数可以减少60%以上。
2020-03-16 cs.LG cs.RO stat.ML
From Movement Primitives to Distance Fields to Dynamical Systems
Idiap Research Institute（日内瓦研究所）；EPFL（苏黎世联邦理工学院）
本文提出将运动基元转换为距离场，进而构建稳定动力系统的方法，以复现示范轨迹并处理扰动，通过解析梯度确保稳定性，实验验证了其有效性。
2025-06-19 cs.RO
HJ-SafeDMP: Hamilton-Jacobi Reachability-Guided Dynamic Movement Primitives for Provably Safe Robot Motion
Cyber-Physical Systems, Indian Institute of Science (IISc), Bengaluru（印度科学研究院（IISc）班加罗尔分校的网络物理系统）
提出HJ-SafeDMP框架，将动态运动基元与学习的Hamilton-Jacobi可达性安全值函数结合，通过闭环控制律调制DMP输出，实现可证明安全、鲁棒且计算高效的机器人运动，避免在线优化求解。
2026-06-27 cs.RO
