Statistical Learning of Robotic Demo Trajectories Based on Multicriteria Segmentation and Multi-Demonstration Alignment (HSMM) addresses complex tasks in human-robot interaction and intelligent manufacturing. The research goal of this study is to automatically extract generalized key segments from multiple robotic demonstration trajectories in the absence of prior annotations and establish statistical and parametric models for universal trajectory reproduction across diverse tasks and conditions. To achieve this, the research tasks include multicriteria segmentation (speed, curvature, acceleration, direction change), trajectory alignment using Hidden Semi-Markov Models (HSMM), and subsequent implementation of statistical representations (ProMP, GMM/GMR, DMP). The proposed methodology begins with the smoothing of raw data and the identification of key points via topological simplification and non-maximum suppression, then, using HSMM, it ensures consistent segmentation of multiple demonstrations into characteristic segments. The conducted experiments confirm the results of the approach, demonstrating low reconstruction error while simultaneously improving data compression and preserving key actions, indicating the high efficiency of the method. Finally, the novelty and practical significance of this study can be highlighted by the potential industrial applications (such as welding, painting, etc.), as well as the future prospective expansions of the method to more dynamic and non-stationary scenarios, requiring adaptive and statistically grounded trajectory planning.
Статистическое обучение траекториям роботизированных демонстраций на основе многофакторной сегментации и согласования нескольких показов (HSMM) ориентировано на решение комплексных задач человеко-машинного взаимодействия и интеллектуального производства. Основная цель исследования работы заключается в автоматическом выявлении обобщенной структуры ключевых участков из нескольких роботизированных демонстраций при отсутствии априорной разметки данных, а также в построении статистических и параметрических моделей для универсального воспроизведения траектории в разнообразных задачах и условиях. Для достижения этой цели сформулированы задачи исследования, включающие многопризнаковую сегментацию (скорость, кривизна, ускорение, изменение направления), выравнивание траекторий с помощью скрытой полумарковской модели и последующую реализацию статистических представлений (ProMP, GMM/GMR, DMP). Предлагаемая методика позволяет сначала осуществлять сглаживание исходных данных и выявление ключевых точек путем их топологического упрощения и подавления немаксимальных значений, а затем, используя HSMM, обеспечивать согласованное разбиение нескольких демонстраций на характерные сегменты. Проведенные эксперименты подтверждают, что полученные результаты позволяют достигать низкой ошибки восстановления при одновременном повышении степени сжатия данных и сохранении важных действий, что свидетельствует о высокой эффективности предлагаемого подхода. Наконец, анализируя новизну и практическую значимость работы, можно отметить возможность применения данного решения в промышленном контексте (сварка, окраска и т.д.), а также перспективы расширения метода на более динамичные и нестационарные сценарии, где требуется адаптивное и статистически обоснованное планирование траектории.