声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：21-1137/TP
国际刊号：1002-0446
发布日期:
作者：谢劼欣, 陈敏轩, 伍锡如, 李洋, 郭士杰
关键词：护理机器人, 机器人模仿学习, 强化学习
传统的机器人模仿学习方法普遍存在模仿成功率低、对专家样本量依赖严重等问题，无法用于强时变、非结构化的护理场景。为解决以上问题，本文提出了一种基于引导多样性的护理机器人模仿学习方法TGOD-SD。首先构造了基于引导多样性的轨迹生成范式TGOD，该范式可以部署于基于强化学习的模仿学习算法，且无需构造奖励函数，TGOD引导智能体围绕专家示范轨迹生成多样性的模仿轨迹。其次，提出了一种基于下沉角距离（SD）的轨迹匹配方法，有助于智能体搜索最佳的匹配轨迹作为模仿学习的输出。最后，基于关节转角构造了一种仿真-现实轨迹迁移方法，将模仿学习得到的轨迹应用于实际的护理机器人上。护理机器人上的大量模仿学习实验表明，所提出的TGOD-SD方法有效地提高了机器人模仿学习的成功率，对比现有主流方法平均提高了64.6%，成功模仿的轨迹质量更好，与专家示范轨迹的相关系数平均提升了32.61%，成功学习的期望耗时至少缩短至主流方法的62.5%。更重要的是，TGOD-SD实现了从单一的专家示范样本中进行学习，降低了算法对专家示范样本数量的依赖性，有效地提高了机器人模仿学习方法的实用性。
来源：2026年第1期
《机器人》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。