中图分类号：TP242.6 文献标志码：A 文章编号：1001-3695（2025）06-009-1668-08

doi：10.19734/j.issn.1001-3695.2024.11.0474

Robot motion control strategy based on improved behavior cloning algorithm

Huang Xiaoxia， Yang Bo^† ，Xiang Xin，Chen Ling，Chen Zhongxiang，Sun Shunyao， Xiao Hongfeng （College of Engineeringamp; Design，Hunan Normal University，Changsha 41oo81，China）

Abstract：This paper addressed the challenges of complex motion control strategy training，ineffcientand imprecisepath planing executioninrobotsperformingfineoperationssuchasdual-armcooperativeinsertiontasks.Itproposedanimproved robotbehavior cloning algorithmbasedonmulti-scale feature pyramidsandatention mechanisms.Thealgorithmcombinedresidual networksandfeaturepyramidstodesignthebackbone network，extractingandfusingmulti-scaleimagefeatures，which enhancedtherobot’senvironmentalperceptionand visualfeedback capabilities.Itintroducedanactionsegmentation module to improvetheauracyandsmoohnessofcontrol strategies，reducingcompounderrors inbehaviorcloning.Additionally，the algorithmtrainedthecontrol strategyasaconditional varitionalautoencoder（CVAE）using theatentionmechanism to learn thedistributionofdemonstrationdataandcapturethecorelationbetween image features andactions.This appoachimproved thegeneralizationabilityandadaptabilityofthestrategyinunfamiliarenvironments.Simulationresultsshowthattheproposed algorithmoutperformsfivebaselinemodels intermsofsuccessrateandtrajectorysmoothnessintwofineoperationtasks.These results demonstrate thatthe algorithm can execute precise robot fine operation tasks through simple training.

Key words：precision operation of robot；motion control strategy；behavioral cloning；action sequence

0 引言

随着机器人技术的不断进步，双臂机器人在工业、医疗、家庭等多个领域的应用日益广泛。然而，精细的操作任务如双臂转移、协同插孔等，对机器人来说是较为困难的，机器人要完成这些精细操作，就需要有精确的环境感知和视觉反馈以及高效的运动控制策略[1，2]。大多数机器人控制方法[3-5]主要依赖于手动设计的规则和传统的控制算法，难以适应精细化和复杂化的任务需求。

近年来，随着机器学习技术[6.7]的进步，模仿学习方法在机器人控制技术中得到了广泛应用[8＼～10]。模仿学习方法的主要特点在于其能够通过观察和学习他人的示范来获取技能，而无须显式地编程所有可能的情况和反应[11＼～13]。这种方法尤其适用于需要快速部署和实时响应的应用，如服务型机器人和协作机器人。此外，模仿学习还能够通过收集和分析大量的实际数据来提高机器人的运动精度和适应性，从而增强其在复杂环境中的表现能力。传统的模仿学习方法例如基于高斯混合模型的运动生成[14]和基于有监督学习的行为克隆[15]，已经在机器人的动作规划和学习中展现出了一定的成效。然而，模仿学习方法也存在一些挑战和局限性。首先，它们通常依赖于高质量和多样性的训练数据，因此在数据获取和标注方面可能会面临挑战，为了达到较好的学习效果，模仿学习可能需要大量的示范数据。在实际应用中，收集这些数据可能既费时又费力。……