之前在做机械臂书写演示项目时我踩过一个很典型的坑用示教盒手动打点让机械臂把每个插值点连起来写一个字母结果机器人写出来的字横平竖直、带明显折线像打印体完全没有人类书写的节奏和笔锋。后来换了一种思路——不再手写运动路径而是直接从人类示范轨迹中学习机器人写出来的字母才开始有那种“一气呵成”的感觉。这篇文章就把这套思路完整梳理出来从 Robot Learning from Demonstration从人类示范中学习的基本概念到手写字母轨迹的数据采集、预处理、轨迹建模再到机器人复现书写最后用 Human-Likeness Evaluation人类相似度评估客观评价生成轨迹“像不像人写的”。整个过程会配套一份完整的 Python 示例包含代码和运行思路适合机器人方向的研究生、做机械臂轨迹规划的开发者以及刚接触 Learning from Demonstration 的初学者。1. 背景与核心概念从人类示范到机器人书写1.1 什么是 Robot Learning from DemonstrationRobot Learning from DemonstrationLfD有时也被称为 Programming by Demonstration是一种让机器人从人类示范数据中学习任务策略的方法。传统机械臂编程方式是工程师逐点规划路径、编写运动指令过程繁琐而且很难还原人类动作中的自然节奏。LfD 的思路完全不同人类先演示一次任务机器人从演示数据中提取运动规律再用这些规律生成自己的运动轨迹。在手写字母这个场景里“示范”可以是人类用触控笔、手写板或者带力传感器的示教臂写一个字母系统记录下笔尖在每个时刻的位置、速度、加速度等信息。机器人学到的不仅是字母的形状还包括书写时的速度变化、转折时机、圆弧过渡方式。这些隐藏的运动特征往往才是让机器人动作看起来自然的真正原因。1.2 为什么用手写字母轨迹作为实验载体手写字母轨迹之所以被广泛用作 LfD 的实验载体主要有几个原因第一字母轨迹结构明确结果容易判断。字母写得好不好眼睛一看就知道不需要复杂的评价标准。第二轨迹长度适中维度可控。一个字母的轨迹通常只有几百个采样点坐标维度一般是二维或三维很适合用来验证轨迹学习算法的有效性。第三运动特征丰富。同一个字母不同的人写出来形状相似但速度曲线、曲率变化、转折点位置都有差异。这为“人类相似度评估”提供了很好的区分度。第四数据获取成本低。公开的手写轨迹数据集例如 LASA Handwriting Dataset以及普通的手写板采集方案都可以方便地获得高质量示范数据。1.3 Human-Likeness Evaluation 要解决什么问题Human-Likeness Evaluation 的核心问题只有一个机器人生成的轨迹到底像不像人类写的这个问题不能简单用“最终位置误差小”来衡量。比如机器人写出一个标准 A 字形但速度曲线是匀速直线运动转折处有尖角笔画顺序很奇怪那它仍然是“生硬”的。人类书写的特点是起笔和收笔时有自然的减速曲线过渡平滑长时间书写时手部会有一点轻微的抖动。因此一个完整的 Human-Likeness Evaluation 需要从两个维度展开客观指标计算生成轨迹与人类示范轨迹之间的位置误差、动态时间规整距离、速度曲线相关性、jerk加加速度等。主观评价设计人工打分问卷让观察者从字形相似度、流畅度、笔画顺序等角度打分。客观指标负责给出可复现的数值结果主观评价负责捕捉人类直觉上的“像不像”。两者结合起来才能比较全面地评估轨迹的自然度。2. 环境准备与工具选型2.1 硬件与仿真环境手写轨迹学习并不一定要在真机上完成建议的路径是先在本机用 Python 完成轨迹建模与评估再把生成轨迹发布到仿真环境里验证最后才部署到真实机械臂。这样既能快速迭代算法又能降低真机调试的安全风险。如果你有真实机械臂可以用 UR5e、Franka Panda 这类支持外部控制接口的机型。如果没有也可以直接使用 Gazebo、CoppeliaSim 这些机器人仿真环境。本文的重点是轨迹学习与评估流程所以硬件不是必须的仿真环境里的关节运动学模型已经足够验证思路。需要说明的是不同机械臂的控制接口差异很大而且版本更新较快。本文示例只生成二维位置轨迹不涉及具体机械臂驱动代码。你在实际项目中需要根据自己的机械臂型号和控制方式把生成轨迹映射为机器人末端位姿。2.2 Python 与依赖库推荐使用 Python 3.8 及以上版本。核心依赖库如下numpy处理轨迹数组、矩阵运算。scipy用于轨迹插值、滤波、数值微分。matplotlib可视化原始轨迹与生成轨迹。pandas读取 CSV 格式的轨迹数据。如果你的评估环节需要用到神经网络编码轨迹特征可以再准备 PyTorch但本文的基础版本用不到。版本不需要刻意锁定最新使用你自己环境中稳定的版本即可。安装依赖pip install numpy scipy matplotlib pandas2.3 推荐工程目录结构为了方便实验管理建议按下面的结构组织工程目录robot_handwriting/ ├── data/ │ └── trajectories/ │ ├── A_01.csv │ ├── A_02.csv │ └── B_01.csv ├── src/ │ ├── load_data.py │ ├── preprocess.py │ ├── dmp.py │ └── evaluate.py ├── output/ │ ├── comparison_A.png │ └── metrics_A.json ├── scripts/ │ ├── train_dmp_demo.py │ └── evaluate_demo.py └── README.md数据文件统一放在data/trajectories下源码放在src训练和评估脚本放在scripts可视化结果统一输出到output。这样当一个实验做完后所有输入、代码、输出都有明确位置后期对比不同算法时非常方便。3. 核心原理拆解轨迹表示、DMP 与相似度度量3.1 轨迹数据的标准化表示在开始处理轨迹之前要先统一轨迹的数据格式。一个完整的人类手写轨迹通常可以表示为一个时间序列t, x, y, pressure 0.000, 120.5, 85.2, 0.8 0.008, 120.3, 85.9, 0.8 0.016, 120.0, 86.8, 0.8第一列是时间戳第二、三列是笔尖在书写平面上的坐标第四列是笔压。在做二维平面书写任务时x 和 y 坐标是最核心的信息。时间戳则是后续重采样和计算速度、加速度的基础。有一点需要特别注意不同人书写同一个字母时起笔位置不同、写字快慢不同、采样设备频率也可能不同。如果直接拿两组长度不同的轨迹做对比会得到不稳定甚至错误的结果。因此预处理阶段通常需要把所有轨迹统一到相同的采样频率并做空间对齐。3.2 动态运动基元DMP基础Dynamic Movement PrimitivesDMP是一类经典的轨迹学习模型它的核心思想是把复杂运动拆解成一个线性吸引子系统和一个非线性强迫项。线性吸引子系统保证轨迹能从起点收敛到目标点非线性强迫项则负责拟合人类示范轨迹的细节形状。DMP 在 LfD 领域使用非常普遍原因主要是它可以保证生成轨迹的起点和目标点与示范轨迹一致。时间尺度可以自由缩放机器人可以快速或慢速执行同一个动作。空间尺度可以缩放适合把同一个轨迹迁移到不同位置。轨迹平滑度高不会出现插值点之间的机械折线。DMP 的完整推导需要一点控制论基础这里只给出最核心的公式。对于一维轨迹 y(t)DMP 定义了一个规范系统s_dot -alpha_s * s / tau其中 s 从 1 衰减到接近 0用来驱动整个运动的时间进程。变换系统为tau * v_dot alpha_z * (beta_z * (g - y) - v) f(s) tau * y_dot v其中 g 是目标点alpha_z、beta_z 是增益系数f(s) 是非线性强迫项。强迫项用一组高斯基函数加权求和来近似f(s) sum(psi_i(s) * w_i) * s / sum(psi_i(s))训练 DMP 的过程就是根据人类示范轨迹反推出权重 w_i。推理时用这些权重生成新的轨迹。为了让代码清晰可控我建议自己实现一个简化版本的一维 DMP二维轨迹分别对 x 和 y 两个维度建模即可。3.3 人类相似度评估的常见指标Human-Likeness Evaluation 中常用的指标可以分为四类。第一类是位置误差指标最典型的是 RMSE均方根误差。它衡量生成轨迹与人类示范轨迹在几何位置上的平均偏差。RMSE 越小说明形状越接近。第二类是时间序列对齐指标最典型的是 DTWDynamic Time Warping距离。DTW 可以处理两条轨迹时间长度不同的问题适合评价“形状相似但快慢不同”的轨迹。第三类是运动学特征指标包括速度曲线相关系数、加速度曲线差异、jerk 均值等。人类书写具有“主动感知运动”的特征起笔收笔速度慢、中间过程速度快这类动态特征用运动学指标才能捕捉。第四类是主观评价打分。让多个观察者使用 Likert 量表对字形相似度、流畅度、笔画顺序等维度打分。主观评价虽然存在个体差异但它直接反映了人类的真实感受是算法指标的重要补充。3.4 整体实验流程总览整个实验流程可以拆成五个阶段轨迹采集人类书写字母记录时间序列坐标。预处理去噪、重采样、空间对齐。轨迹建模用 DMP 等模型从示范轨迹中学习运动规律。机器人复现在仿真或真机上执行生成轨迹。人类相似度评估用客观指标和主观打分评价自然度。下面从第 2 步开始用代码一步步演示。4. 完整实战采集手写轨迹并训练机器人书写4.1 准备数据人类手写字母轨迹本文假设你已经有一份 CSV 格式的手写字母轨迹文件。如果还没有数据可以先用触控笔或鼠标在任意画图软件里录一段轨迹导出为 CSV也可以直接使用公开的手写轨迹数据集。一条示例 CSV 文件A_01.csv内容如下t,x,y 0.000,120.5,85.2 0.008,120.3,85.9 0.016,120.0,86.8 第1列是时间第2列是横坐标第3列是纵坐标在使用前先用pandas读取文件# src/load_data.py import pandas as pd def load_trajectory(file_path): 从 CSV 文件加载手写轨迹。 返回 (t, x, y)其中 t、x、y 都是一维 numpy 数组。 df pd.read_csv(file_path) return df[t].to_numpy(), df[x].to_numpy(), df[y].to_numpy()4.2 轨迹预处理与对齐原始轨迹一般不能直接用于训练模型。直接使用会有三个常见问题采样率不均匀导致速度、加速度计算不准确。轨迹包含噪声对 DMP 的权重拟合造成干扰。不同轨迹起点不同直接用数组计算会引入很大的位置偏差。预处理阶段建议做三件事插值重采样、滤波、空间对齐。# src/preprocess.py import numpy as np from scipy.interpolate import interp1d from scipy.ndimage import gaussian_filter1d def resample_trajectory(t, x, y, n_points200): 将轨迹重采样为等间隔的 n_points 个点。 t_uniform np.linspace(t[0], t[-1], n_points) x_resampled interp1d(t, x, kindcubic)(t_uniform) y_resampled interp1d(t, y, kindcubic)(t_uniform) return t_uniform, x_resampled, y_resampled def smooth_trajectory(x, y, sigma2.0): 用高斯滤波平滑轨迹去除采样噪声。 x_smoothed gaussian_filter1d(x, sigmasigma) y_smoothed gaussian_filter1d(y, sigmasigma) return x_smoothed, y_smoothed def align_trajectory(x, y): 将轨迹起点平移到原点并缩放到统一的尺度。 x_aligned x - x[0] y_aligned y - y[0] scale np.sqrt(np.max(x_aligned**2 y_aligned**2)) 1e-8 x_aligned x_aligned / scale y_aligned y_aligned / scale return x_aligned, y_aligned这里的关键点是重采样。interp1d的kindcubic表示使用三次样条插值可以让轨迹在时间上均匀分布后续计算速度和加速度时不会因为时间步长不一致而出现误差。平滑滤波同样重要。很多手写板采样时会有轻微抖动这些高频噪声会让 DMP 拟合到一个不平滑的轨迹上最终机器人写出来的字也会抖。gaussian_filter1d通过相邻点的加权平均来抑制高频噪声sigma 参数控制平滑力度。空间对齐把每段轨迹的起点平移到原点再统一缩放到相同尺寸。这样做的目的是在评估阶段可以更公平地比较不同次书写的形状差异而不是被位置和大小干扰。4.3 实现一个简化 DMP 轨迹学习器下面给出的是一维 DMP 的 Python 实现。这里特意采用了可读性优先的写法方便理解算法流程不追求最精简的代码。# src/dmp.py import numpy as np class DiscreteDMP: 一维离散动态运动基元教学实现。 使用方式 先调用 train() 学习示范轨迹 再调用 rollout() 生成泛化轨迹。 def __init__(self, n_bfs40, alpha_z25.0, beta_z6.25, alpha_s2.0): self.n_bfs n_bfs self.alpha_z alpha_z self.beta_z beta_z self.alpha_s alpha_s # 高斯基函数中心按规范时间 s 均匀分布 self.c np.exp(-self.alpha_s * np.linspace(0, 1, self.n_bfs)) # 基函数宽度这里使用固定宽度参数可调 self.h np.ones(self.n_bfs) * 4.0 self.w np.zeros(self.n_bfs) self.y0 0.0 self.g 0.0 self.tau 1.0 def _basis(self, s): 计算一列高斯基函数在给定 s 处的取值。 s np.asarray(s, dtypenp.float64).reshape(-1, 1) return np.exp(-self.h * (s - self.c) ** 2) def _forcing(self, s): 计算非线性强迫项 f(s)。 s np.asarray(s, dtypenp.float64) psi self._basis(s) denom psi.sum(axis1, keepdimsTrue) 1e-8 f (psi / denom).dot(self.w) * s[:, 0] return f def train(self, y_demo, dt0.01): 从一维示范轨迹中学习权重。 T len(y_demo) self.tau T * dt t np.linspace(0, T * dt, T) s np.exp(-self.alpha_s * t / self.tau) y np.asarray(y_demo, dtypenp.float64) yd np.gradient(y, dt) ydd np.gradient(yd, dt) self.y0 y[0] self.g y[-1] # 从示范轨迹反推目标强迫项 f_target (self.tau**2) * ydd - self.alpha_z * ( self.beta_z * (self.g - y) - self.tau * yd ) # 使用局部加权回归求解权重 psi self._basis(s) denom psi.sum(axis1, keepdimsTrue) 1e-8 phi (psi / denom) * s[:, np.newaxis] lam 1e-6 # 岭回归正则化防止过拟合 self.w np.linalg.solve( phi.T.dot(phi) lam * np.eye(self.n_bfs), phi.T.dot(f_target), ) def rollout(self, n_stepsNone): 从起点出发生成一条完整轨迹。 if n_steps is None: n_steps int(self.tau / 0.01) dt self.tau / n_steps y self.y0 v 0.0 ys [] for step in range(n_steps): s np.exp(-self.alpha_s * step * dt / self.tau) f self._forcing(np.array([s]))[0] acc self.alpha_z * (self.beta_z * (self.g - y) - v) f v acc * dt / self.tau y v * dt / self.tau ys.append(y) ys np.array(ys) # 强制轨迹末端收敛到目标点 ys[-1] self.g return ys这里有几个实现细节值得解释。一是_basis和_forcing的设计。DMP 中强迫项不仅由基函数加权和决定还需要乘以规范变量 s。当 s 趋近于 0 时强迫项也趋近于 0这样 DMP 轨迹在末端会逐渐回到线性吸引子主导的运动保证收敛到目标点。二是训练阶段的推导。从变换系统公式反推强迫项时需要用到tau * v_dot alpha_z * (beta_z * (g - y) - v) f(s)因此f_target tau^2 * ydd - alpha_z * (beta_z * (g - y) - tau * yd)。这就是代码中f_target的含义。三是权重求解。这里用了最小二乘加一个很小的岭正则化项lam目的是防止基函数矩阵出现数值奇异。二维平面轨迹的处理很简单对 x 坐标训练一个 DMP对 y 坐标训练一个 DMP然后把两条生成轨迹合并起来。这是因为二维平面上的运动可以解耦为两个独立的维度分别建模。4.4 训练 DMP 并可视化对比现在把预处理和 DMP 串起来运行一个完整示例# scripts/train_dmp_demo.py import os import sys import numpy as np import matplotlib.pyplot as plt sys.path.append(os.path.join(os.path.dirname(__file__), .., src)) from load_data import load_trajectory from preprocess import resample_trajectory, smooth_trajectory, align_trajectory from dmp import DiscreteDMP def main(): t, x, y load_trajectory(data/trajectories/A_01.csv) # 1. 预处理 t, x, y resample_trajectory(t, x, y, n_points200) x, y smooth_trajectory(x, y, sigma2.0) x, y align_trajectory(x, y) # 2. 训练两个一维 DMP dt np.diff(t).mean() dmp_x DiscreteDMP(n_bfs40) dmp_y DiscreteDMP(n_bfs40) dmp_x.train(x, dtdt) dmp_y.train(y, dtdt) # 3. 生成轨迹 n_steps int(dmp_x.tau / 0.01) x_gen dmp_x.rollout(n_stepsn_steps) y_gen dmp_y.rollout(n_stepsn_steps) # 4. 可视化对比 fig, ax plt.subplots(1, 2, figsize(10, 5)) ax[0].plot(x, y, labelHuman demo) ax[0].set_title(Human Demonstration) ax[1].plot(x_gen, y_gen, labelDMP generated, colororange) ax[1].set_title(Robot Generated) for a in ax: a.set_aspect(equal) a.legend() os.makedirs(output, exist_okTrue) plt.savefig(output/comparison_A.png, dpi150) plt.show() if __name__ __main__: main()运行脚本python scripts/train_dmp_demo.py如果一切正常你会看到两个子图。左边是经过预处理的人类示范轨迹右边是 DMP 生成的轨迹。从形态上看两个轨迹应该非常接近但生成轨迹更加平滑尤其是拐角处。4.5 预期输出与结果观察值得注意的现象有DMP 生成轨迹的起点和端点与示范轨迹几乎一致。轨迹整体形状正确不会出现“走到一半回头”的情况。与原始示范相比DMP 会忽略掉一部分高频抖动看起来更稳定。如果 DMP 参数或基函数数量不合适可能出现轨迹振荡或端点不收敛。这个可视化结果是后续评估的基础。如果这一步生成的轨迹形状都不对人类相似度评估就无从谈起了。5. 人类相似度评估实验5.1 客观指标计算理想情况下生成轨迹应该和示范轨迹在形状上相似同时保留人类书写的自然动态。这里给出几个最常用的客观指标代码。先定义一个 RMSE 函数# src/evaluate.py import numpy as np def rmse(a, b): 计算两条一维信号之间的均方根误差。 return np.sqrt(np.mean((a - b) ** 2)) def dtw_distance(A, B): 计算两条二维轨迹之间的 DTW 距离。 参数 A、B 的形状都是 (N, 2) 或 (M, 2)分别代表两条轨迹的点序列。 n, m len(A), len(B) D np.full((n 1, m 1), np.inf) D[0, 0] 0.0 for i in range(1, n 1): for j in range(1, m 1): cost np.linalg.norm(A[i - 1] - B[j - 1]) D[i, j] cost min(D[i - 1, j], D[i, j - 1], D[i - 1, j - 1]) return D[n, m] def velocity_profile(x, y, dt): 计算二维轨迹的速度曲线。 vx np.gradient(x, dt) vy np.gradient(y, dt) return np.sqrt(vx**2 vy**2) def velocity_correlation(v1, v2): 计算两条速度曲线的 Pearson 相关系数。 return np.corrcoef(v1, v2)[0, 1] def mean_squared_jerk(acc, dt): 计算平均平方 jerk加速度的导数平方均值。 jerk np.gradient(acc, dt) return np.mean(jerk**2)实际计算时可以先把示范轨迹和生成轨迹进行时间对齐例如都重采样到 200 个点再调用上面的函数rmse_x rmse(x_ref, x_gen) rmse_y rmse(y_ref, y_gen) dtw dtw_distance(np.c_[x_ref, y_ref], np.c_[x_gen, y_gen]) corr velocity_correlation(v_ref, v_gen)指标解释RMSE 反映几何形状的接近程度越小越好。DTW 距离同时考虑形状偏差和时间伸缩适合评价书写快慢不同的轨迹。速度相关系数越高说明生成轨迹的速度节律越接近人类书写。mean_squared_jerk 反映运动平滑程度。人类书写通常有较低的平均 jerk但过低的 jerk 也可能说明轨迹过于规整、缺少自然变化。这些指标不是孤立的需要综合起来看。比如某个模型生成轨迹的 RMSE 很小但速度相关系数很低说明机器人虽然写出了同样形状运动节奏却不自然。5.2 主观评价问卷设计客观指标不能完全替代人类直觉建议加入主观评价环节。一个简单有效的主观实验设计如下招募 10 到 20 名观察者给每位观察者随机展示多条轨迹动画包括人类示范轨迹、机器人生成轨迹、以及一些干扰轨迹。观察者按 1 到 5 分对以下三个维度打分维度1 分3 分5 分字形相似度完全不像基本像但不自然非常像人类书写流畅度生硬有明显停顿有一定顿挫感非常流畅笔画顺序与原轨迹相差很大大体一致完全一致最终可以统计每个维度下的平均得分并计算观察者之间的一致性比如用组内相关系数 ICC。主观评价的结果应该与客观指标结合起来分析不能单独看某一项。5.3 结果分析与可视化评估完成后建议画一组对比图左边是速度曲线对比右边是轨迹叠加对比。速度曲线可以直观展示机器人是否复现了人类书写时“起笔慢—中间快—收笔慢”的速度变化。另一种有用的可视化方式是画 j e r k 分布图。人类书写轨迹的 jerk 分布通常集中在某个较低区间而传统插值轨迹会出现明显的尖峰。这种分布对比非常适合放在论文或技术报告中。6. 常见问题与排查思路在实际运行过程中下面这几个问题出现频率最高。问题现象常见原因解决思路生成轨迹在中间剧烈振荡DMP 基函数数量过多或基函数宽度过小减少 n_bfs或增大基函数宽度 h轨迹末端不收敛到目标点alpha_s 过大导致强迫项衰减过快检查 alpha_s 参数适当调小训练时权重矩阵奇异示范轨迹太短基函数中心覆盖不足增加示范采样点数或重采样到更多点生成轨迹与示范轨迹偏差很大预处理时未做空间对齐先做起点平移和尺度归一化速度曲线抖动剧烈示范轨迹噪声太大平滑参数太小增大高斯滤波 sigma客观指标很好但主观评价很低指标选择不全面缺少运动学特征引入速度相关性、jerk 等动态指标下面挑一个最常见的问题展开说DMP 训练时出现权重矩阵奇异。这个问题的本质是当某个基函数在所有训练时刻都几乎不活跃时对应的权重列全是近似零导致最小二乘矩阵不可逆。解决办法有两个。一是增加训练轨迹的长度或重采样到更多点让每个基函数都有足够的数据覆盖二是加大岭回归正则化系数 lam比如从 1e-6 调到 1e-4或者直接改用伪逆求解。另一个常见问题是生成轨迹起点附近有“拖动”现象。可以检查 DMP 的rollout函数里是否在第一个时间步使用了过大的初始速度。DMP 通常假设初始速度为 0但有些示范轨迹首尾速度不为 0。处理办法是预处理时对示范轨迹做平滑滤波或在训练前将轨迹首尾速度归零。7. 最佳实践与工程建议7.1 数据采集阶段不要只采集一条示范轨迹。同一个字母至少采集 5 条以上覆盖不同书写速度、不同起笔位置。多示范数据可以做两件事一是训练 DMP 时融合出平均轨迹降低单次示范的随机噪声二是评估时用多个示范计算指标方差让结果更稳定。在采集阶段要固定书写平面和坐标系。如果使用触控板采集建议将坐标系原点设在书写板左上角或中心并在采集前先记录几次校准轨迹。7.2 DMP 参数调优建议DMP 的核心参数有三个n_bfs基函数数量影响对复杂轨迹的拟合能力。字母这类轨迹建议从 40 开始如果拟合不足再增加到 50 或 60。alpha_z、beta_z决定吸引子系统的收敛速度。一般保持 alpha_z 为 25beta_z 为 alpha_z / 4 的经验比例。alpha_s控制规范系统的衰减速度影响强迫项的时间分布。建议在 1 到 4 之间调整。调参顺序建议是固定 alpha_s 和 alpha_z、beta_z先调 n_bfs。如果轨迹振荡把 n_bfs 调小把 h 调大如果轨迹细节丢失把 n_bfs 调大。7.3 多轨迹融合多条人类示范轨迹可以直接平均后输入 DMP也可以为每条轨迹训练一个 DMP再把权重平均。前者的优点是简单直接但会丢失速度差异信息后者能保留不同书写风格的平均特征。在实际项目中我更推荐先每条轨迹单独训练 DMP再对权重做平均。7.4 真机部署的安全边界如果你要把生成轨迹部署到真实机械臂务必遵守以下几点先在仿真环境里完整模拟一遍轨迹确认轨迹不超出机械臂工作空间。真机运行时把执行速度设置为仿真速度的 50% 以下。预先在控制程序中写好急停逻辑和轨迹边界检查。避免直接覆盖示教盒配置生成轨迹应该以独立任务文件加载。保证当前操作获得了设备合法授权并在正式执行前完成至少一次低压测试。7.5 实验记录与可复现性工程项目的可复现性来自记录。建议每次实验都保存以下内容示范数据的原始文件路径。预处理参数、DMP 参数、评估指标代码版本。生成轨迹的原始坐标数据和可视化图片。实验时间、算法版本、依赖库版本。把这些信息写入一个 JSON 或 Markdown 格式的实验记录文件放到 output 目录下后续对比实验才能有可靠依据。8. 结语与学习路线到这里你已经完整走通了一条“人类示范采集 → 轨迹预处理 → DMP 建模 → 机器人轨迹生成 → 人类相似度评估”的流程。核心要点可以概括为LfD 让机器人从人类示范数据中学习运动轨迹而不是手工编写路径点。手写字母轨迹是一个非常适合入门 LfD 的实验载体。DMP 可以把示范轨迹转化成可缩放、可泛化的运动模型。Human-Likeness Evaluation 必须结合客观指标和主观评价不能只看位置误差。接下来可以继续学习的方向包括用概率模型比如 ProMP概率运动基元对多条示范轨迹分布建模。把评估指标扩展到 3D 空间或引入笔压、笔倾角等更多书写维度。把视觉传感器引入采集环节让机器人观看人类书写视频后提取轨迹。在真实机械臂上部署并做闭环反馈让机器人根据实时视觉修正书写误差。建议把这篇文章里的代码在本地跑通一遍再尝试改成一个三字母单词的书写任务。把每个字母分别训练 DMP再用轨迹拼接和速度平滑把它们连起来你会看到机器人写单词的能力比单字母又上了一个台阶。 基于DMP的机器人手写轨迹学习与人类相似度评估实战
之前在做机械臂书写演示项目时我踩过一个很典型的坑用示教盒手动打点让机械臂把每个插值点连起来写一个字母结果机器人写出来的字横平竖直、带明显折线像打印体完全没有人类书写的节奏和笔锋。后来换了一种思路——不再手写运动路径而是直接从人类示范轨迹中学习机器人写出来的字母才开始有那种“一气呵成”的感觉。这篇文章就把这套思路完整梳理出来从 Robot Learning from Demonstration从人类示范中学习的基本概念到手写字母轨迹的数据采集、预处理、轨迹建模再到机器人复现书写最后用 Human-Likeness Evaluation人类相似度评估客观评价生成轨迹“像不像人写的”。整个过程会配套一份完整的 Python 示例包含代码和运行思路适合机器人方向的研究生、做机械臂轨迹规划的开发者以及刚接触 Learning from Demonstration 的初学者。1. 背景与核心概念从人类示范到机器人书写1.1 什么是 Robot Learning from DemonstrationRobot Learning from DemonstrationLfD有时也被称为 Programming by Demonstration是一种让机器人从人类示范数据中学习任务策略的方法。传统机械臂编程方式是工程师逐点规划路径、编写运动指令过程繁琐而且很难还原人类动作中的自然节奏。LfD 的思路完全不同人类先演示一次任务机器人从演示数据中提取运动规律再用这些规律生成自己的运动轨迹。在手写字母这个场景里“示范”可以是人类用触控笔、手写板或者带力传感器的示教臂写一个字母系统记录下笔尖在每个时刻的位置、速度、加速度等信息。机器人学到的不仅是字母的形状还包括书写时的速度变化、转折时机、圆弧过渡方式。这些隐藏的运动特征往往才是让机器人动作看起来自然的真正原因。1.2 为什么用手写字母轨迹作为实验载体手写字母轨迹之所以被广泛用作 LfD 的实验载体主要有几个原因第一字母轨迹结构明确结果容易判断。字母写得好不好眼睛一看就知道不需要复杂的评价标准。第二轨迹长度适中维度可控。一个字母的轨迹通常只有几百个采样点坐标维度一般是二维或三维很适合用来验证轨迹学习算法的有效性。第三运动特征丰富。同一个字母不同的人写出来形状相似但速度曲线、曲率变化、转折点位置都有差异。这为“人类相似度评估”提供了很好的区分度。第四数据获取成本低。公开的手写轨迹数据集例如 LASA Handwriting Dataset以及普通的手写板采集方案都可以方便地获得高质量示范数据。1.3 Human-Likeness Evaluation 要解决什么问题Human-Likeness Evaluation 的核心问题只有一个机器人生成的轨迹到底像不像人类写的这个问题不能简单用“最终位置误差小”来衡量。比如机器人写出一个标准 A 字形但速度曲线是匀速直线运动转折处有尖角笔画顺序很奇怪那它仍然是“生硬”的。人类书写的特点是起笔和收笔时有自然的减速曲线过渡平滑长时间书写时手部会有一点轻微的抖动。因此一个完整的 Human-Likeness Evaluation 需要从两个维度展开客观指标计算生成轨迹与人类示范轨迹之间的位置误差、动态时间规整距离、速度曲线相关性、jerk加加速度等。主观评价设计人工打分问卷让观察者从字形相似度、流畅度、笔画顺序等角度打分。客观指标负责给出可复现的数值结果主观评价负责捕捉人类直觉上的“像不像”。两者结合起来才能比较全面地评估轨迹的自然度。2. 环境准备与工具选型2.1 硬件与仿真环境手写轨迹学习并不一定要在真机上完成建议的路径是先在本机用 Python 完成轨迹建模与评估再把生成轨迹发布到仿真环境里验证最后才部署到真实机械臂。这样既能快速迭代算法又能降低真机调试的安全风险。如果你有真实机械臂可以用 UR5e、Franka Panda 这类支持外部控制接口的机型。如果没有也可以直接使用 Gazebo、CoppeliaSim 这些机器人仿真环境。本文的重点是轨迹学习与评估流程所以硬件不是必须的仿真环境里的关节运动学模型已经足够验证思路。需要说明的是不同机械臂的控制接口差异很大而且版本更新较快。本文示例只生成二维位置轨迹不涉及具体机械臂驱动代码。你在实际项目中需要根据自己的机械臂型号和控制方式把生成轨迹映射为机器人末端位姿。2.2 Python 与依赖库推荐使用 Python 3.8 及以上版本。核心依赖库如下numpy处理轨迹数组、矩阵运算。scipy用于轨迹插值、滤波、数值微分。matplotlib可视化原始轨迹与生成轨迹。pandas读取 CSV 格式的轨迹数据。如果你的评估环节需要用到神经网络编码轨迹特征可以再准备 PyTorch但本文的基础版本用不到。版本不需要刻意锁定最新使用你自己环境中稳定的版本即可。安装依赖pip install numpy scipy matplotlib pandas2.3 推荐工程目录结构为了方便实验管理建议按下面的结构组织工程目录robot_handwriting/ ├── data/ │ └── trajectories/ │ ├── A_01.csv │ ├── A_02.csv │ └── B_01.csv ├── src/ │ ├── load_data.py │ ├── preprocess.py │ ├── dmp.py │ └── evaluate.py ├── output/ │ ├── comparison_A.png │ └── metrics_A.json ├── scripts/ │ ├── train_dmp_demo.py │ └── evaluate_demo.py └── README.md数据文件统一放在data/trajectories下源码放在src训练和评估脚本放在scripts可视化结果统一输出到output。这样当一个实验做完后所有输入、代码、输出都有明确位置后期对比不同算法时非常方便。3. 核心原理拆解轨迹表示、DMP 与相似度度量3.1 轨迹数据的标准化表示在开始处理轨迹之前要先统一轨迹的数据格式。一个完整的人类手写轨迹通常可以表示为一个时间序列t, x, y, pressure 0.000, 120.5, 85.2, 0.8 0.008, 120.3, 85.9, 0.8 0.016, 120.0, 86.8, 0.8第一列是时间戳第二、三列是笔尖在书写平面上的坐标第四列是笔压。在做二维平面书写任务时x 和 y 坐标是最核心的信息。时间戳则是后续重采样和计算速度、加速度的基础。有一点需要特别注意不同人书写同一个字母时起笔位置不同、写字快慢不同、采样设备频率也可能不同。如果直接拿两组长度不同的轨迹做对比会得到不稳定甚至错误的结果。因此预处理阶段通常需要把所有轨迹统一到相同的采样频率并做空间对齐。3.2 动态运动基元DMP基础Dynamic Movement PrimitivesDMP是一类经典的轨迹学习模型它的核心思想是把复杂运动拆解成一个线性吸引子系统和一个非线性强迫项。线性吸引子系统保证轨迹能从起点收敛到目标点非线性强迫项则负责拟合人类示范轨迹的细节形状。DMP 在 LfD 领域使用非常普遍原因主要是它可以保证生成轨迹的起点和目标点与示范轨迹一致。时间尺度可以自由缩放机器人可以快速或慢速执行同一个动作。空间尺度可以缩放适合把同一个轨迹迁移到不同位置。轨迹平滑度高不会出现插值点之间的机械折线。DMP 的完整推导需要一点控制论基础这里只给出最核心的公式。对于一维轨迹 y(t)DMP 定义了一个规范系统s_dot -alpha_s * s / tau其中 s 从 1 衰减到接近 0用来驱动整个运动的时间进程。变换系统为tau * v_dot alpha_z * (beta_z * (g - y) - v) f(s) tau * y_dot v其中 g 是目标点alpha_z、beta_z 是增益系数f(s) 是非线性强迫项。强迫项用一组高斯基函数加权求和来近似f(s) sum(psi_i(s) * w_i) * s / sum(psi_i(s))训练 DMP 的过程就是根据人类示范轨迹反推出权重 w_i。推理时用这些权重生成新的轨迹。为了让代码清晰可控我建议自己实现一个简化版本的一维 DMP二维轨迹分别对 x 和 y 两个维度建模即可。3.3 人类相似度评估的常见指标Human-Likeness Evaluation 中常用的指标可以分为四类。第一类是位置误差指标最典型的是 RMSE均方根误差。它衡量生成轨迹与人类示范轨迹在几何位置上的平均偏差。RMSE 越小说明形状越接近。第二类是时间序列对齐指标最典型的是 DTWDynamic Time Warping距离。DTW 可以处理两条轨迹时间长度不同的问题适合评价“形状相似但快慢不同”的轨迹。第三类是运动学特征指标包括速度曲线相关系数、加速度曲线差异、jerk 均值等。人类书写具有“主动感知运动”的特征起笔收笔速度慢、中间过程速度快这类动态特征用运动学指标才能捕捉。第四类是主观评价打分。让多个观察者使用 Likert 量表对字形相似度、流畅度、笔画顺序等维度打分。主观评价虽然存在个体差异但它直接反映了人类的真实感受是算法指标的重要补充。3.4 整体实验流程总览整个实验流程可以拆成五个阶段轨迹采集人类书写字母记录时间序列坐标。预处理去噪、重采样、空间对齐。轨迹建模用 DMP 等模型从示范轨迹中学习运动规律。机器人复现在仿真或真机上执行生成轨迹。人类相似度评估用客观指标和主观打分评价自然度。下面从第 2 步开始用代码一步步演示。4. 完整实战采集手写轨迹并训练机器人书写4.1 准备数据人类手写字母轨迹本文假设你已经有一份 CSV 格式的手写字母轨迹文件。如果还没有数据可以先用触控笔或鼠标在任意画图软件里录一段轨迹导出为 CSV也可以直接使用公开的手写轨迹数据集。一条示例 CSV 文件A_01.csv内容如下t,x,y 0.000,120.5,85.2 0.008,120.3,85.9 0.016,120.0,86.8 第1列是时间第2列是横坐标第3列是纵坐标在使用前先用pandas读取文件# src/load_data.py import pandas as pd def load_trajectory(file_path): 从 CSV 文件加载手写轨迹。 返回 (t, x, y)其中 t、x、y 都是一维 numpy 数组。 df pd.read_csv(file_path) return df[t].to_numpy(), df[x].to_numpy(), df[y].to_numpy()4.2 轨迹预处理与对齐原始轨迹一般不能直接用于训练模型。直接使用会有三个常见问题采样率不均匀导致速度、加速度计算不准确。轨迹包含噪声对 DMP 的权重拟合造成干扰。不同轨迹起点不同直接用数组计算会引入很大的位置偏差。预处理阶段建议做三件事插值重采样、滤波、空间对齐。# src/preprocess.py import numpy as np from scipy.interpolate import interp1d from scipy.ndimage import gaussian_filter1d def resample_trajectory(t, x, y, n_points200): 将轨迹重采样为等间隔的 n_points 个点。 t_uniform np.linspace(t[0], t[-1], n_points) x_resampled interp1d(t, x, kindcubic)(t_uniform) y_resampled interp1d(t, y, kindcubic)(t_uniform) return t_uniform, x_resampled, y_resampled def smooth_trajectory(x, y, sigma2.0): 用高斯滤波平滑轨迹去除采样噪声。 x_smoothed gaussian_filter1d(x, sigmasigma) y_smoothed gaussian_filter1d(y, sigmasigma) return x_smoothed, y_smoothed def align_trajectory(x, y): 将轨迹起点平移到原点并缩放到统一的尺度。 x_aligned x - x[0] y_aligned y - y[0] scale np.sqrt(np.max(x_aligned**2 y_aligned**2)) 1e-8 x_aligned x_aligned / scale y_aligned y_aligned / scale return x_aligned, y_aligned这里的关键点是重采样。interp1d的kindcubic表示使用三次样条插值可以让轨迹在时间上均匀分布后续计算速度和加速度时不会因为时间步长不一致而出现误差。平滑滤波同样重要。很多手写板采样时会有轻微抖动这些高频噪声会让 DMP 拟合到一个不平滑的轨迹上最终机器人写出来的字也会抖。gaussian_filter1d通过相邻点的加权平均来抑制高频噪声sigma 参数控制平滑力度。空间对齐把每段轨迹的起点平移到原点再统一缩放到相同尺寸。这样做的目的是在评估阶段可以更公平地比较不同次书写的形状差异而不是被位置和大小干扰。4.3 实现一个简化 DMP 轨迹学习器下面给出的是一维 DMP 的 Python 实现。这里特意采用了可读性优先的写法方便理解算法流程不追求最精简的代码。# src/dmp.py import numpy as np class DiscreteDMP: 一维离散动态运动基元教学实现。 使用方式 先调用 train() 学习示范轨迹 再调用 rollout() 生成泛化轨迹。 def __init__(self, n_bfs40, alpha_z25.0, beta_z6.25, alpha_s2.0): self.n_bfs n_bfs self.alpha_z alpha_z self.beta_z beta_z self.alpha_s alpha_s # 高斯基函数中心按规范时间 s 均匀分布 self.c np.exp(-self.alpha_s * np.linspace(0, 1, self.n_bfs)) # 基函数宽度这里使用固定宽度参数可调 self.h np.ones(self.n_bfs) * 4.0 self.w np.zeros(self.n_bfs) self.y0 0.0 self.g 0.0 self.tau 1.0 def _basis(self, s): 计算一列高斯基函数在给定 s 处的取值。 s np.asarray(s, dtypenp.float64).reshape(-1, 1) return np.exp(-self.h * (s - self.c) ** 2) def _forcing(self, s): 计算非线性强迫项 f(s)。 s np.asarray(s, dtypenp.float64) psi self._basis(s) denom psi.sum(axis1, keepdimsTrue) 1e-8 f (psi / denom).dot(self.w) * s[:, 0] return f def train(self, y_demo, dt0.01): 从一维示范轨迹中学习权重。 T len(y_demo) self.tau T * dt t np.linspace(0, T * dt, T) s np.exp(-self.alpha_s * t / self.tau) y np.asarray(y_demo, dtypenp.float64) yd np.gradient(y, dt) ydd np.gradient(yd, dt) self.y0 y[0] self.g y[-1] # 从示范轨迹反推目标强迫项 f_target (self.tau**2) * ydd - self.alpha_z * ( self.beta_z * (self.g - y) - self.tau * yd ) # 使用局部加权回归求解权重 psi self._basis(s) denom psi.sum(axis1, keepdimsTrue) 1e-8 phi (psi / denom) * s[:, np.newaxis] lam 1e-6 # 岭回归正则化防止过拟合 self.w np.linalg.solve( phi.T.dot(phi) lam * np.eye(self.n_bfs), phi.T.dot(f_target), ) def rollout(self, n_stepsNone): 从起点出发生成一条完整轨迹。 if n_steps is None: n_steps int(self.tau / 0.01) dt self.tau / n_steps y self.y0 v 0.0 ys [] for step in range(n_steps): s np.exp(-self.alpha_s * step * dt / self.tau) f self._forcing(np.array([s]))[0] acc self.alpha_z * (self.beta_z * (self.g - y) - v) f v acc * dt / self.tau y v * dt / self.tau ys.append(y) ys np.array(ys) # 强制轨迹末端收敛到目标点 ys[-1] self.g return ys这里有几个实现细节值得解释。一是_basis和_forcing的设计。DMP 中强迫项不仅由基函数加权和决定还需要乘以规范变量 s。当 s 趋近于 0 时强迫项也趋近于 0这样 DMP 轨迹在末端会逐渐回到线性吸引子主导的运动保证收敛到目标点。二是训练阶段的推导。从变换系统公式反推强迫项时需要用到tau * v_dot alpha_z * (beta_z * (g - y) - v) f(s)因此f_target tau^2 * ydd - alpha_z * (beta_z * (g - y) - tau * yd)。这就是代码中f_target的含义。三是权重求解。这里用了最小二乘加一个很小的岭正则化项lam目的是防止基函数矩阵出现数值奇异。二维平面轨迹的处理很简单对 x 坐标训练一个 DMP对 y 坐标训练一个 DMP然后把两条生成轨迹合并起来。这是因为二维平面上的运动可以解耦为两个独立的维度分别建模。4.4 训练 DMP 并可视化对比现在把预处理和 DMP 串起来运行一个完整示例# scripts/train_dmp_demo.py import os import sys import numpy as np import matplotlib.pyplot as plt sys.path.append(os.path.join(os.path.dirname(__file__), .., src)) from load_data import load_trajectory from preprocess import resample_trajectory, smooth_trajectory, align_trajectory from dmp import DiscreteDMP def main(): t, x, y load_trajectory(data/trajectories/A_01.csv) # 1. 预处理 t, x, y resample_trajectory(t, x, y, n_points200) x, y smooth_trajectory(x, y, sigma2.0) x, y align_trajectory(x, y) # 2. 训练两个一维 DMP dt np.diff(t).mean() dmp_x DiscreteDMP(n_bfs40) dmp_y DiscreteDMP(n_bfs40) dmp_x.train(x, dtdt) dmp_y.train(y, dtdt) # 3. 生成轨迹 n_steps int(dmp_x.tau / 0.01) x_gen dmp_x.rollout(n_stepsn_steps) y_gen dmp_y.rollout(n_stepsn_steps) # 4. 可视化对比 fig, ax plt.subplots(1, 2, figsize(10, 5)) ax[0].plot(x, y, labelHuman demo) ax[0].set_title(Human Demonstration) ax[1].plot(x_gen, y_gen, labelDMP generated, colororange) ax[1].set_title(Robot Generated) for a in ax: a.set_aspect(equal) a.legend() os.makedirs(output, exist_okTrue) plt.savefig(output/comparison_A.png, dpi150) plt.show() if __name__ __main__: main()运行脚本python scripts/train_dmp_demo.py如果一切正常你会看到两个子图。左边是经过预处理的人类示范轨迹右边是 DMP 生成的轨迹。从形态上看两个轨迹应该非常接近但生成轨迹更加平滑尤其是拐角处。4.5 预期输出与结果观察值得注意的现象有DMP 生成轨迹的起点和端点与示范轨迹几乎一致。轨迹整体形状正确不会出现“走到一半回头”的情况。与原始示范相比DMP 会忽略掉一部分高频抖动看起来更稳定。如果 DMP 参数或基函数数量不合适可能出现轨迹振荡或端点不收敛。这个可视化结果是后续评估的基础。如果这一步生成的轨迹形状都不对人类相似度评估就无从谈起了。5. 人类相似度评估实验5.1 客观指标计算理想情况下生成轨迹应该和示范轨迹在形状上相似同时保留人类书写的自然动态。这里给出几个最常用的客观指标代码。先定义一个 RMSE 函数# src/evaluate.py import numpy as np def rmse(a, b): 计算两条一维信号之间的均方根误差。 return np.sqrt(np.mean((a - b) ** 2)) def dtw_distance(A, B): 计算两条二维轨迹之间的 DTW 距离。 参数 A、B 的形状都是 (N, 2) 或 (M, 2)分别代表两条轨迹的点序列。 n, m len(A), len(B) D np.full((n 1, m 1), np.inf) D[0, 0] 0.0 for i in range(1, n 1): for j in range(1, m 1): cost np.linalg.norm(A[i - 1] - B[j - 1]) D[i, j] cost min(D[i - 1, j], D[i, j - 1], D[i - 1, j - 1]) return D[n, m] def velocity_profile(x, y, dt): 计算二维轨迹的速度曲线。 vx np.gradient(x, dt) vy np.gradient(y, dt) return np.sqrt(vx**2 vy**2) def velocity_correlation(v1, v2): 计算两条速度曲线的 Pearson 相关系数。 return np.corrcoef(v1, v2)[0, 1] def mean_squared_jerk(acc, dt): 计算平均平方 jerk加速度的导数平方均值。 jerk np.gradient(acc, dt) return np.mean(jerk**2)实际计算时可以先把示范轨迹和生成轨迹进行时间对齐例如都重采样到 200 个点再调用上面的函数rmse_x rmse(x_ref, x_gen) rmse_y rmse(y_ref, y_gen) dtw dtw_distance(np.c_[x_ref, y_ref], np.c_[x_gen, y_gen]) corr velocity_correlation(v_ref, v_gen)指标解释RMSE 反映几何形状的接近程度越小越好。DTW 距离同时考虑形状偏差和时间伸缩适合评价书写快慢不同的轨迹。速度相关系数越高说明生成轨迹的速度节律越接近人类书写。mean_squared_jerk 反映运动平滑程度。人类书写通常有较低的平均 jerk但过低的 jerk 也可能说明轨迹过于规整、缺少自然变化。这些指标不是孤立的需要综合起来看。比如某个模型生成轨迹的 RMSE 很小但速度相关系数很低说明机器人虽然写出了同样形状运动节奏却不自然。5.2 主观评价问卷设计客观指标不能完全替代人类直觉建议加入主观评价环节。一个简单有效的主观实验设计如下招募 10 到 20 名观察者给每位观察者随机展示多条轨迹动画包括人类示范轨迹、机器人生成轨迹、以及一些干扰轨迹。观察者按 1 到 5 分对以下三个维度打分维度1 分3 分5 分字形相似度完全不像基本像但不自然非常像人类书写流畅度生硬有明显停顿有一定顿挫感非常流畅笔画顺序与原轨迹相差很大大体一致完全一致最终可以统计每个维度下的平均得分并计算观察者之间的一致性比如用组内相关系数 ICC。主观评价的结果应该与客观指标结合起来分析不能单独看某一项。5.3 结果分析与可视化评估完成后建议画一组对比图左边是速度曲线对比右边是轨迹叠加对比。速度曲线可以直观展示机器人是否复现了人类书写时“起笔慢—中间快—收笔慢”的速度变化。另一种有用的可视化方式是画 j e r k 分布图。人类书写轨迹的 jerk 分布通常集中在某个较低区间而传统插值轨迹会出现明显的尖峰。这种分布对比非常适合放在论文或技术报告中。6. 常见问题与排查思路在实际运行过程中下面这几个问题出现频率最高。问题现象常见原因解决思路生成轨迹在中间剧烈振荡DMP 基函数数量过多或基函数宽度过小减少 n_bfs或增大基函数宽度 h轨迹末端不收敛到目标点alpha_s 过大导致强迫项衰减过快检查 alpha_s 参数适当调小训练时权重矩阵奇异示范轨迹太短基函数中心覆盖不足增加示范采样点数或重采样到更多点生成轨迹与示范轨迹偏差很大预处理时未做空间对齐先做起点平移和尺度归一化速度曲线抖动剧烈示范轨迹噪声太大平滑参数太小增大高斯滤波 sigma客观指标很好但主观评价很低指标选择不全面缺少运动学特征引入速度相关性、jerk 等动态指标下面挑一个最常见的问题展开说DMP 训练时出现权重矩阵奇异。这个问题的本质是当某个基函数在所有训练时刻都几乎不活跃时对应的权重列全是近似零导致最小二乘矩阵不可逆。解决办法有两个。一是增加训练轨迹的长度或重采样到更多点让每个基函数都有足够的数据覆盖二是加大岭回归正则化系数 lam比如从 1e-6 调到 1e-4或者直接改用伪逆求解。另一个常见问题是生成轨迹起点附近有“拖动”现象。可以检查 DMP 的rollout函数里是否在第一个时间步使用了过大的初始速度。DMP 通常假设初始速度为 0但有些示范轨迹首尾速度不为 0。处理办法是预处理时对示范轨迹做平滑滤波或在训练前将轨迹首尾速度归零。7. 最佳实践与工程建议7.1 数据采集阶段不要只采集一条示范轨迹。同一个字母至少采集 5 条以上覆盖不同书写速度、不同起笔位置。多示范数据可以做两件事一是训练 DMP 时融合出平均轨迹降低单次示范的随机噪声二是评估时用多个示范计算指标方差让结果更稳定。在采集阶段要固定书写平面和坐标系。如果使用触控板采集建议将坐标系原点设在书写板左上角或中心并在采集前先记录几次校准轨迹。7.2 DMP 参数调优建议DMP 的核心参数有三个n_bfs基函数数量影响对复杂轨迹的拟合能力。字母这类轨迹建议从 40 开始如果拟合不足再增加到 50 或 60。alpha_z、beta_z决定吸引子系统的收敛速度。一般保持 alpha_z 为 25beta_z 为 alpha_z / 4 的经验比例。alpha_s控制规范系统的衰减速度影响强迫项的时间分布。建议在 1 到 4 之间调整。调参顺序建议是固定 alpha_s 和 alpha_z、beta_z先调 n_bfs。如果轨迹振荡把 n_bfs 调小把 h 调大如果轨迹细节丢失把 n_bfs 调大。7.3 多轨迹融合多条人类示范轨迹可以直接平均后输入 DMP也可以为每条轨迹训练一个 DMP再把权重平均。前者的优点是简单直接但会丢失速度差异信息后者能保留不同书写风格的平均特征。在实际项目中我更推荐先每条轨迹单独训练 DMP再对权重做平均。7.4 真机部署的安全边界如果你要把生成轨迹部署到真实机械臂务必遵守以下几点先在仿真环境里完整模拟一遍轨迹确认轨迹不超出机械臂工作空间。真机运行时把执行速度设置为仿真速度的 50% 以下。预先在控制程序中写好急停逻辑和轨迹边界检查。避免直接覆盖示教盒配置生成轨迹应该以独立任务文件加载。保证当前操作获得了设备合法授权并在正式执行前完成至少一次低压测试。7.5 实验记录与可复现性工程项目的可复现性来自记录。建议每次实验都保存以下内容示范数据的原始文件路径。预处理参数、DMP 参数、评估指标代码版本。生成轨迹的原始坐标数据和可视化图片。实验时间、算法版本、依赖库版本。把这些信息写入一个 JSON 或 Markdown 格式的实验记录文件放到 output 目录下后续对比实验才能有可靠依据。8. 结语与学习路线到这里你已经完整走通了一条“人类示范采集 → 轨迹预处理 → DMP 建模 → 机器人轨迹生成 → 人类相似度评估”的流程。核心要点可以概括为LfD 让机器人从人类示范数据中学习运动轨迹而不是手工编写路径点。手写字母轨迹是一个非常适合入门 LfD 的实验载体。DMP 可以把示范轨迹转化成可缩放、可泛化的运动模型。Human-Likeness Evaluation 必须结合客观指标和主观评价不能只看位置误差。接下来可以继续学习的方向包括用概率模型比如 ProMP概率运动基元对多条示范轨迹分布建模。把评估指标扩展到 3D 空间或引入笔压、笔倾角等更多书写维度。把视觉传感器引入采集环节让机器人观看人类书写视频后提取轨迹。在真实机械臂上部署并做闭环反馈让机器人根据实时视觉修正书写误差。建议把这篇文章里的代码在本地跑通一遍再尝试改成一个三字母单词的书写任务。把每个字母分别训练 DMP再用轨迹拼接和速度平滑把它们连起来你会看到机器人写单词的能力比单字母又上了一个台阶。