[论文解读] Dynamic Movement Primitives in Robotics: A Tutorial Survey

Matteo Saveriano, Fares J. Abu‐Dakka+2 more|arXiv (Cornell University)|Feb 7, 2021

Muscle activation and electromyography studies参考文献 318被引用 46

一句话总结

一个综合性的教程综述，统一、分析并评审机器人学中的动态运动原语（DMPs），涵盖经典公式、扩展、实现以及待解决的问题。

ABSTRACT

Biological systems, including human beings, have the innate ability to perform complex tasks in versatile and agile manner. Researchers in sensorimotor control have tried to understand and formally define this innate property. The idea, supported by several experimental findings, that biological systems are able to combine and adapt basic units of motion into complex tasks finally lead to the formulation of the motor primitives theory. In this respect, Dynamic Movement Primitives (DMPs) represent an elegant mathematical formulation of the motor primitives as stable dynamical systems, and are well suited to generate motor commands for artificial systems like robots. In the last decades, DMPs have inspired researchers in different robotic fields including imitation and reinforcement learning, optimal control,physical interaction, and human-robot co-working, resulting a considerable amount of published papers. The goal of this tutorial survey is two-fold. On one side, we present the existing DMPs formulations in rigorous mathematical terms,and discuss advantages and limitations of each approach as well as practical implementation details. In the tutorial vein, we also search for existing implementations of presented approaches and release several others. On the other side, we provide a systematic and comprehensive review of existing literature and categorize state of the art work on DMP. The paper concludes with a discussion on the limitations of DMPs and an outline of possible research directions.

研究动机与目标

• 解释运动原语理论以及 DMP 如何形式化稳定的动力系统以生成机器人运动。
• 提供对经典 DMP 及其扩展的统一数学处理。
• 回顾 DMPs 在控制框架和学习范式中的整合。
• 调查现有实现并讨论实际注意事项和局限性。
• 指出待解决的问题并概述潜在的未来研究方向。

提出的方法

• 以严格的数学术语呈现离散和节律运动的经典及扩展 DMP 公式。
• 讨论通过局部加权回归（LWR）等方法以及替代方法（GMM、GMR、GP、NN）来学习强制项。
• 描述相变量及其替代方案（指数、S 形、分段、线性等以及其他）用于定时与停止。
• 将 DMP 扩展到姿态表示（四元数和旋转矩阵）以及 SPD 流形。
• 对 DMP 在操作、学习和交互框架中的整合进行调查，并提供开源实现。

实验结果

研究问题

• RQ1 离散和节律运动的经典与扩展 DMP 公式是什么？
• RQ2 如何从示范中学习 DMP 并在任务和空间中实现泛化？
• RQ3 如何将 DMP 扩展以处理姿态、SPD 矩阵和交互任务？
• RQ4 在不同应用中的 DMP 的实际考虑、实现和局限性是什么？
• RQ5 从全面的 DMP 调研中出现的开放问题和未来方向是什么？

主要发现

• DMP 能提供稳定、灵活的运动生成，能够从数据学习并对实时扰动作出响应。
• 该教程统一了多种 DMP 公式与扩展，包括姿态表示和 SPD 流形表示。
• 强制项的学习可以通过 LWR、GMM/GMR、GP 或神经网络来实现，多个演示提高了泛化能力。
• 相变量的选择与相位停止/目标切换使定时更灵活且具备在线适应性。
• 大量实现和开源资源被整理目录，以促进采用。
• 该综述阐明了局限性并概述了 DMP 的未来研究方向。