通过相位变化神经势函数的反应性运动生成

Reactive Motion Generation via Phase-varying Neural Potential Functions

基于演示学习的动态系统方法能够从少量演示中提供稳定且连续的策略。一阶动态系统在状态唯一速度定义的条件下，对点对点和周期性任务非常有效。对于存在交叉点（例如绘制"8"字形）的任务，通常需要引入二阶动力学或相位变量等扩展。然而，通过引入速度变量，二阶模型会因其利用速度区分运动方向而对交叉点附近的扰动变得敏感。此外，当几乎相同的位置-速度对对应不同后续运动时，这种区分方式可能失效。相比之下，基于相位的方法依赖开环时间或相位变量，这限制了其在扰动后的恢复能力。我们提出相位变化神经势函数这一基于演示学习框架，该框架将势函数与通过状态进度直接估计的相位变量（而非开环时间输入）相关联。该相位变量使系统能够处理状态重访，而学习得到的势函数可生成用于反应式稳定控制的局部向量场。相位变化神经势函数能有效泛化于点对点、周期性及完整六维运动任务，在含交叉点的轨迹上优于现有基线方法，并在外部扰动下的实时机器人操作中展现出稳健性能。