随着人机协作型机器人的广泛应用，通过人机物理交互进行机器人运动技能学习是人工智能与机器人学交叉领域的前沿重点研究方向。近日，广东省科学院智能制造研究所机器人技术团队提出了一种面向复杂长期操作任务的机器人运动技能高效学习方法。相关研究发表于《IEEE自动化科学与工程汇刊》。

    复杂长期操作任务是指机器人执行含有多个子目标，且各子目标间存在强时-空耦合的操作任务，具有步骤多、数据量大、数据维度高等特点，是机器人运动技能学习研究的重点与难点。现有绝大部分的技能学习方法受限于交互数据的数量和维度、参数的学习效率等，仅适用于单步、简单的操作任务，缺乏考虑复杂长期操作任务的应用，存在效率低、适应性差等瓶颈问题。

    在该项研究工作中，研究人员提出一种面向复杂长期操作任务的机器人运动技能高效学习方法。该方法引入稀疏高斯过程和变分推断进行运动技能的建模与学习，能够在任务精度保障下大幅度降低计算时间复杂度，提升学习效率，使机器人从大规模高维交互数据中进行运动技能学习成为可能。同时，提出了含有先验均值的多输出高斯过程对新情形的运动约束进行协同建模，实现相近任务或不同环境下给定起始、中间、目标路径点等约束时技能模型的精准调整和高效适应。

    该论文第一作者、广东省科学院智能制造研究所吴鸿敏博士介绍，该方法已在动态复杂环境下机器人执行多个急停按钮的按压任务中进行了理论验证，并在物流仓储等领域进行了应用测试，有效提升复杂长期操作任务下机器人的编程与部署效率。