机器人模仿学习运动基元数学编码方法还有用吗?

其实这些数学编码的运动基元方法非但没过时，反而在不少场景里的方向可以参考。

虽说神经网络是厉害，但它像个黑箱子，出了问题不好查，而且需要大量数据，实时性也未必能保证。

反观 DMP、ProMP 这些，数学模型清清楚楚，算得快，小数据就能用，在机器人要和人近距离协作或者涉及安全的场景里，这优势就很明显。

至于创新点，其实能挖的地方不少，突破口大多在于交叉、融合与解决新问题。

把这些数学模型和神经网络结合起来，用数学模型给神经网络做先验，帮它少走弯路，尤其小数据的时候效果可能更好。

**方向参考：**用神经网络学习基元参数、注意力机制筛选基元、生成对抗模仿学习方面。

再就是，现在机器人常遇到动态环境：桌子上突然多了个东西，怎么让 DMP 这些方法实时调整轨迹，同时保证安全和流畅，这就是个可以琢磨的方向。

还有多任务泛化，让一个 ProMP 模型同时处理抓杯子以及抓瓶子这些任务，不用每次都重新学，这里面能做的优化就很多。

方向参考： 精细任务的接触与操作、让机器人跳一段华尔兹（拟人化动作）、黎曼流形上的技能（在非普通的欧几里得空间。如何将DMPs等框架拓展到流形上，以更好地学习和泛化姿态技能，这也是个思路）

另外，这些方法的鲁棒性也能再提升，像结合感知信息（类似视觉识别到的物体位置），让运动基元能自动适应物体位置变化，而不是只能重复固定轨迹。

**方向参考：**提升复杂任务的结构化表达能力，运动基元的分割与重组、构建分层框架。

以及面向真实世界的鲁棒性与自适应的方向参考：

还有些更细分的应用场景，像医疗机器人，动作必须精准且可解释，数学编码的方法在这里就比纯神经网络更让人放心，研究怎么让这些方法适应不同病人的身体特征，就是个很有价值的点。

下面这些近年的论文也能说明还有人在深耕这些方向，你可以看看：

Dynamic Movement Primitives in Robotics: A Tutorial Survey

对相关现有文献进行了系统且全面的综述，并对 DMP 领域的最新研究成果进行了分类整理，并讨论了 DMPs 的局限性，并概述了未来可能的研究方向。

Safe Robot Trajectory Control Using Probabilistic Movement Primitives and Control Barrier Functions

给概率运动基元（ProMP）做了新控制设计，用分布里的函数让机器人沿轨迹走、状态不偏，能实时运行。

Improved Gaussian mixture model and Gaussian mixture regression for learning from demonstration based on Gaussian noise scattering

改进了机器人的模仿学习算法。通过给示范动作添加合理的噪声并优化模型，让机器人学得更快、动作更顺滑，有效解决了原来学得不像或动作生硬的问题。