表3三种常见的示款学习方法对比 Table 3 Comparison of three common demonstration methods Method Difficulty Computational for the teacher complexity Advantages Disadvantages Kinesthetic Low Low Easy to demonstrate Cannot execute fast movement,Only can teaching demonstrate one limb at a time Teleoperation Medium Medium Remote demonstrate Time delay Observational Lowest High Easy to demonstrate. Correspondence difficulty learning works for bimanual tasks or even caused by the different whole-body motion embodiment 动觉示教方法：动觉示教又称物理交互示教，即人手动拖动机械臂进行示教并记录运动过程。 动觉教学利用协作机器人力触感知能力。动觉教学可以连续进行记录整个运动轨迹，也可以通过在 单独的时间实例中记录机器人状态的离散快照来进行，例如在关键帧的关键姿势序列教学中。动觉 示教无需额外设备，便于操作，然而这种示教方法通常只适用于惯性较小的轻量型机械臂，并且受 到工作空间的限制，同时多自由度机器人的动觉示教较为困难。 遥操作示教：遥操作示教可以使用简单的操纵杆或其他远程控制装置实现对协作机器人的远程 操作。机器人和人类导师不需要共享同一空间。遥操作示教的一个优势是通过柱端的遥操作设备通常 可以查看运动信息，然而遥操作示教所能控制的自由度同样有限，而且全端与从端设备之间存在通 信延时问题。 通过视觉和可穿戴设备示教：通过摄像头和可穿戴设备捕捉人体运动，使用这种方法示教，人 类不受约束自由移动，人体四肢和关节的角位移可以通过这坐外部手段精确测量。然而，人体与机 器人的运动学对应问题是这种示教方式的一大挑战， 在设备与机器人的通信问题。 (2)机器人技能学习 使用获得的数据集后，通过机器人技能学习，以生成策略并映射到机器人控制器，此外，学 习的技能策略可用于在新环境中复现并泛化机器人的技能 基于模型学习的技能学习： 当前机械臂技能大多通过人工预定义的规则实现，受限于固化编程的特点，不具备良好的自主 性、灵活性和自适应性，将机械臂的应用场景限制在结构化环境中。为使机械臂可以应用于更广泛的 场景，学者们提出将动态系统和统计学习方法应用于机器人技能表示。文献[89]提出了基于GMM对 技能特征编码的框架，用于机械臂技能学习，但是这类方法泛化能力差，难以实时泛化于新的场景。 文献[90]结合了动态系统与统计学匀方法，将概率运动原语用于机器人技能学习。然而这种方法通 常需要大量的数据以保证生成新迹的准确性。文献[91]提出了一种结合概率学习、动态系统和刚度估 计的方法，以编码机器人在在务中的行为。提出的方法允许机器人不仅学习轨迹跟踪技能，而且还 学习阻抗行为。欧勇胜等提出结合概率模型、阻抗系统和刚度估计对任务技能进行编码，使机器人 同时学习阻抗行为和轨迹跟踪技能。动态运动基元(Dynamic Movement Primitives,.DMPs)9是一种 较简洁的基于线性动态系统的技能建模方法，能够在时间和空间上对轨迹进行放缩并泛化到新的 目标位置。动态运动基元算法的应用旨在允许人类通过示教的方式，传递给协作机器人执行任务时 应该产生的拟人运动，从而提升协作机器人的可交互性9%。文献97引入了肌肉协同概念，将原始 动态运动基元模型中的径向基函数参数化，提出了参数化的动态原语模型，并通过实验证明了其有 效性。文献98]基于动态运动基元模型，使用径向基函数对力矩信息进行编码，提出了柔顺运动基 元模型，且对于柔顺运动的学习不依赖于显式的环境动力学模型，提升了协作机器人技能学习的柔 顺性。文献[99]提出基于RBFNNs的复合DMPs,用于协作机器人从人类演示中学习的包含位置和方 向信息的技能。杨辰光等0提出了一个带有各种分类约束条件的通用DMPs框架。在BLFs的启发下， 推导出一般模型的额外加速项，以补偿实际轨迹和期望轨迹之间的跟踪误差。 基于强化学习的技能学习：表 3 三种常见的示教学习方法对比 Table 3 Comparison of three common demonstration methods Method Difficulty for the teacher Computational complexity Advantages Disadvantages Kinesthetic teaching Low Low Easy to demonstrate Cannot execute fast movement，Only can demonstrate one limb at a time Teleoperation Medium Medium Remote demonstrate Time delay Observational learning Lowest High Easy to demonstrate， works for bimanual tasks or even whole-body motion Correspondence difficulty caused by the different embodiment 动觉示教方法：动觉示教又称物理交互示教，即人手动拖动机械臂进行示教并记录运动过程。 动觉教学利用协作机器人力触感知能力。动觉教学可以连续进行记录整个运动轨迹，也可以通过在 单独的时间实例中记录机器人状态的离散快照来进行，例如在关键帧的关键姿势序列教学中。 动觉 示教无需额外设备，便于操作，然而这种示教方法通常只适用于惯性较小的轻量型机械臂，并且受 到工作空间的限制，同时多自由度机器人的动觉示教较为困难。 遥操作示教：遥操作示教可以使用简单的操纵杆或其他远程控制装置实现对协作机器人的远程 操作。机器人和人类导师不需要共享同一空间。遥操作示教的一个优势是通过主端的遥操作设备通常 可以查看运动信息，然而遥操作示教所能控制的自由度同样有限，而且主端与从端设备之间存在通 信延时问题。 通过视觉和可穿戴设备示教：通过摄像头和可穿戴设备捕捉人体运动，使用这种方法示教，人 类不受约束自由移动，人体四肢和关节的角位移可以通过这些外部手段精确测量。然而，人体与机 器人的运动学对应问题是这种示教方式的一大挑战，并且也存在设备与机器人的通信问题。 （2）机器人技能学习 使用获得的数据集后，通过机器人技能学习，可以生成策略并映射到机器人控制器，此外，学 习的技能策略可用于在新环境中复现并泛化机器人的技能。 基于模型学习的技能学习： 当前机械臂技能大多通过人工预定义的规则实现，受限于固化编程的特点，不具备良好的自主 性、灵活性和自适应性，将机械臂的应用场景限制在结构化环境中。为使机械臂可以应用于更广泛的 场景，学者们提出将动态系统和统计学习方法应用于机器人技能表示。文献[89]提出了基于 GMM 对 技能特征编码的框架，用于机械臂技能学习，但是这类方法泛化能力差，难以实时泛化于新的场景 。 文献[90]结合了动态系统与统计学习方法，将概率运动原语用于机器人技能学习。然而这种方法通 常需要大量的数据以保证生成轨迹的准确性。文献[91]提出了一种结合概率学习、动态系统和刚度估 计的方法，以编码机器人在任务中的行为。提出的方法允许机器人不仅学习轨迹跟踪技能，而且还 学习阻抗行为。欧勇胜[92]等提出结合概率模型、阻抗系统和刚度估计对任务技能进行编码，使机器人 同时学习阻抗行为和轨迹跟踪技能。动态运动基元(Dynamic Movement Primitives, DMPs) [93][94]是一种 较简洁的基于非线性动态系统的技能建模方法，能够在时间和空间上对轨迹进行放缩并泛化到新的 目标位置。动态运动基元算法的应用旨在允许人类通过示教的方式，传递给协作机器人执行任务时 应该产生的拟人运动，从而提升协作机器人的可交互性[95][96]。文献[97]引入了肌肉协同概念，将原始 动态运动基元模型中的径向基函数参数化，提出了参数化的动态原语模型，并通过实验证明了其有 效性。文献[98]基于动态运动基元模型，使用径向基函数对力矩信息进行编码，提出了柔顺运动基 元模型，且对于柔顺运动的学习不依赖于显式的环境动力学模型，提升了协作机器人技能学习的柔 顺性。文献[99]提出基于 RBFNNs 的复合 DMPs，用于协作机器人从人类演示中学习的包含位置和方 向信息的技能。杨辰光等[100]提出了一个带有各种分类约束条件的通用 DMPs 框架。在 BLFs 的启发下， 推导出一般模型的额外加速项，以补偿实际轨迹和期望轨迹之间的跟踪误差。 基于强化学习的技能学习： 录用稿件，非最终出版稿