人們使用機器人的目的是節約人力和時間并G效完成任務。傳統的機器人需要預先編程來滿足特定任務，但如果任務發生變化，往往需要重新編程。而通過機器人的示教學習，它使機器人能夠自主地執行新任務，允許用戶通過示教任務來教授機器人所需的技能，而無需繁瑣的重新編程。我們結合2020年ICIMIA 會議發表的《A Comprehensive Study onRobot Learning from Demonstration》文章，介紹了機器人示教學習LfD（Learning from Demonstration）的研究概況。

機器人可以通過采取行動與所處環境交互，導致當前狀態到新狀態的概率轉換。機器人活動的環境可以被完全或部分觀察到。觀察性條件取決于示教數據采集方法的類型以及所選擇的教學方法。在[6]中，對環境描述的方法進行了研究。定義明確的目標可以清晰的評價任務表現，并改進已學習的任務[7]。LfD目前沒有標準的評估參數或方法，這是因為到目前為止LfD框架缺乏通用性，沒有可以進行比較的基準。人類如何提供示教，基于與機器人的交互方式。

（1）低J技能

低J技能通常包括在三維空間中從一個點移動到另一個點。它可以包括原始的動作，如手勢、觸摸物體、挑選物體等，這種情況下獲得的示教數據是機器人關節的位置、速度和加速度。低J運動可記錄在關節空間、任務空間或扭矩空間[11]。然而，在某些情況下，任務目標不能完全由關節位置來表示，應提供任務框架方面的額外信息。例如，挑選一個在每次示教中可能位于不同位置的目標對象。當這種低J技能在機器人框架中學習時，軌跡可能沒有相似性，因此很難提取模型。但是，如果在任務框架中表示相同的對象，則可以得到相同對象的一般模型。一種常用的方法是跟蹤末端執行器相對于目標對象的笛卡爾坐標位置[12]。

低J技能學習或建模的三種主要方法：

1）動態運動基元(DMP)：DMP方法的中心思想是依賴于一個可靠的動態系統，調整該系統的非線性項，實現預期的吸引子行為。

圖3 DMP方法:字母書寫技巧[50]的不變性

在圖3中，可以看出DMP的不變性性質的重要性。藍線表示示教軌跡，紅線表示技能執行軌跡。起點是相似的，但是，即使target_0和target_1表示的終點不同，它也能夠執行低J技能。此外，還能根據示教的字母“a”生成“a”的一致放大版本。為了利用G度規則的結構和潛在空間來簡化DMP方法，提出了一個G斯過程的隱藏變量模型[13]。在[9]中，通過調整DMP方程中的起始參數和目標參數，評估了一種泛化技能的方法，并在baxter機械臂上進行了進一步的論證。

2）G斯混合建模與回歸(GMM-GMR)：該方法依賴于統計監督學習，由兩部分組成：a）使用G斯混合模型(GMM)對技能進行編碼 b）利用G斯混合回歸(GMR)方法再現該技能。根據給定的示教，維度下降方法將數據投射到潛在空間中。這些方法可以執行局部線性變換[14]或利用任何全局非線性方法[15]。在[16]中，使用GMM作為一種技能學習算法，對7個關節角度的示教數據進行預處理，進一步采用k均值聚類算法確定期望大值（EM）算法的初始均值和協方差。通過運行迭代算法提取一個GMM，并進一步使用該GMM來執行一項技能。在[17]中使用GMM-GMR對技能編碼的類似方法進行了評估。

3）隱馬爾科夫模型（HMM）：此類模型基于概率方法。為了用隱馬爾可夫模型來建模低J技能，可以用隱藏狀態序列和所有的概率分布來表示該技能。HMM模型學習由兩部分組成：a）結構學習b）參數學習。結構學習處理識別隱藏狀態的數量。除此之外，它還涉及到確定這些隱藏狀態是如何相互聯系的。HMM模型學習的另一部分是參數學習，用于估計先驗、轉移和觀察概率分布。HMM模型使用概率分布，以便從當前狀態前進到下一個狀態，從而生成一個序列。該序列可以提供給控制器，以產生平滑的控制信號。應該注意的是，由于提供的示教并不是暫時一致的。所記錄的重復示教或者一批示教，其時間值不相同。即使是一個熟練的示教者也不可能提供完全相同的重復示教。因此，預處理步驟涉及動態時間扭曲(DTW)技術，該技術測量多個示教的時間序列之間的相似性。