SPECTRA: Context-Conditioned Spectral Movement Primitives for Robot Skill Generalization
作者: Boxuan Zhang, Sheng Liu, Chenglin Ming, Ahmed Abdelrahman
分类: cs.RO
发布日期: 2026-07-08
💡 一句话要点
提出SPECTRA框架以解决机器人技能泛化问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 机器人模仿学习 频域表示 动态调节 任务泛化 运动原语
📋 核心要点
- 现有机器人模仿学习方法在执行过程中容易扭曲关键的末端执行器路径，导致任务效果不佳。
- 本文提出的谱运动原语（SMP）框架通过频域表示和相位耦合调节，解决了任务空间与关节空间之间的协调问题。
- 实验结果显示，该方法在动态限制、路径保持和跨任务框架转移等方面显著优于传统方法，提升了机器人的操作性能。
📝 摘要（中文）
机器人模仿学习在操作中应保持演示任务的几何形状，同时生成动态可接受的机器人运动。现有方法通常学习任务依赖的轨迹，并通过过滤、平滑、裁剪或时间缩放等方式施加执行限制，这可能会扭曲任务关键的末端执行器路径。本文提出了频域模仿学习框架——谱运动原语（SMP），将任务空间技能生成与关节空间执行调节相结合。通过截断的有限时域傅里叶系数表示演示，低频任务带捕获主导运动几何，而高次谐波则对导数增长贡献较大。实验结果表明，该方法在任务带重构、对复合演示干扰的鲁棒性、跨分布泛化、关节空间动态可接受性和末端执行器路径保持等方面表现优异。
🔬 方法详解
问题定义：本文旨在解决现有机器人模仿学习方法在执行过程中扭曲末端执行器路径的问题，导致任务效果不理想。现有方法通常依赖于任务特定的轨迹学习，并在执行后施加限制，容易造成路径失真。
核心思路：提出谱运动原语（SMP）框架，通过频域的傅里叶系数表示演示，结合相位耦合调节，确保在关节空间执行时保持任务空间的几何形状。此设计旨在通过低频任务带捕获主导运动几何，同时控制高次谐波对运动的影响。
技术框架：整体架构包括演示的傅里叶系数提取、基于上下文的高斯混合模型（GMM/GMR）预测、逆运动学映射以及相位耦合调节模块。首先提取演示的频域特征，然后在标准任务框架中预测任务带系数，最后通过逆运动学将轨迹映射到关节空间并进行调节。
关键创新：最重要的创新在于引入频域表示和相位耦合调节机制，避免了传统方法中对轨迹的后处理，从而在保持路径的同时满足动态限制。这一方法在本质上改变了机器人运动生成的方式。
关键设计：在参数设置上，选择了低频任务带以捕获主要运动特征，同时高次谐波的影响被有效控制。损失函数设计上，强调了路径保持和动态限制的平衡，网络结构则采用了上下文感知的GMM/GMR模型，以增强对任务变化的适应性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，SPECTRA框架在任务带重构方面表现出色，能够在未见任务框架中实现一致的转移。动态违反和抖动显著减少，末端执行器路径在相位调节过程中得以保持，展示了该方法的有效性和优越性。
🎯 应用场景
该研究具有广泛的应用潜力，特别是在需要高精度和动态适应性的机器人操作领域，如工业自动化、医疗机器人和服务机器人等。通过提高机器人在不同任务场景下的技能泛化能力，未来可实现更灵活和智能的机器人系统。
📄 摘要（原文）
Robot imitation learning for manipulation should preserve demonstrated task geometry while producing dynamically admissible robot motions. Existing pipelines often learn task-dependent trajectories and impose execution limits afterward through filtering, smoothing, clipping, or time scaling, which may distort task-critical end-effector paths. We propose the Spectral Movement Primitive (SMP), a frequency-domain imitation learning framework that couples task-space skill generation with joint-space execution regulation. Demonstrations are represented by truncated finite-horizon Fourier coefficients. An empirically selected low-frequency task band captures the dominant motion geometry, while higher harmonics contribute disproportionately to derivative growth. A frame-aware context-conditioned GMM/GMR prior predicts the task-band coefficients in a canonical task frame, and the resulting Cartesian trajectory is mapped to joint space through sequential inverse kinematics. A phase-coupled regulator then limits the requested phase progression without modifying the spectral coefficients, thereby enforcing joint velocity and acceleration limits while preserving the represented path. Experiments evaluate task-band reconstruction, robustness to composite demonstration corruption, out-of-distribution cross-board generalization, joint-space dynamic admissibility, end-effector path preservation, and deployment on a Franka Panda robot. Results show compact geometric reconstruction, consistent transfer across unseen task frames, substantial reductions in dynamic violations and jerk, and preservation of the intended end-effector path during phase regulation.