Robot học từ thao tác mẫu trong môi trường tĩnh, sau đó tổng quát hóa để hoạt động trong môi trường động.

• Mô hình học gồm ba phần: bắt chước (tạo quỹ đạo trung bình), bắt chước động (DMP), và mô phỏng (học cách tránh vật cản).
• - Vật cản được theo dõi bằng camera RGB, xử lý bằng OpenCV và Kalman filter để dự đoán vị trí.
• - Quỹ đạo được tạo bằng cách tối ưu hóa hàm tiện ích gồm hai phần: thu hút về quỹ đạo gốc và đẩy ra khỏi vật cản.
• - Vật cản chuyển động được xử lý bằng cách lấy mẫu phân phối Gaussian quanh vị trí dự đoán để tạo vùng bất định.
• - Điều khiển dự đoán mô hình (MPC) được sử dụng để tạo quỹ đạo tối ưu trong thời gian thực.
• - Thí nghiệm với YuMi: robot thực hiện nhiệm vụ pick-and-place trong khi con người di chuyển vật cản để gây va chạm, nhưng robot vẫn tránh được.
• - Thí nghiệm với UR5: robot học cách quét vật thể vào khay, tránh hai loại vật cản khác nhau (cốc và bút).
• - Thời gian xử lý trung bình cho mỗi bước là 1.5 ms, đảm bảo đáp ứng thời gian thực (20 ms).
• - Phương pháp có thể mở rộng cho nhiều vật cản chuyển động, với chi phí tính toán tăng tuyến tính.