Learning from demonstration (LfD) is an intuitive teaching technology without extensive programming for an operator. In recent LfD research, machine vision is usually used to capture the human-robot interaction. However, it's not reliable during the machining process. In this letter, a novel intuitive high-level kinesthetic teaching technology is proposed by reconstructing the motion information recorded from human-guided demonstrations. A hierarchical BiLSTM-based machine learning algorithm is proposed in this letter to recognize and segment motion primitives according to the therblig definition. A hybrid sensing interface is used to record and extract the motion features, consisting of the velocity profile, force/torque, and gripper information. The motion features are then used to classify into the target motion primitive by the proposed classifier. The experimental results and comparisons with the state-of-the-art algorithm show that the proposed method can correctly and efficiently synthesize the recorded motion features into a motion primitive sequence. Finally, the recognition results of real-world tasks show that the proposed algorithm can be used to reconstruct the human-guided task and further used to command a KUKA robot. The experimental results of the reconstructed trajectory show that a real-world task can represent and maintain the accuracy in 2.37 mm using the proposed algorithm.

中文翻译：

---

使用分层 BiLSTM 分类器通过人类演示识别机械臂任务的顺序运动原语

从演示中学习 (LfD) 是一种直观的教学技术，无需为操作员进行大量编程。在最近的 LfD 研究中，机器视觉通常用于捕捉人机交互。然而，它在加工过程中并不可靠。在这封信中，通过重建人类引导演示记录的运动信息，提出了一种新颖的直观的高级动觉教学技术。在这封信中提出了一种基于分层 BiLSTM 的机器学习算法，以根据 therblig 定义识别和分割运动原语。混合传感接口用于记录和提取运动特征，包括速度剖面、力/扭矩和夹具信息。然后，运动特征被提议的分类器用于分类为目标运动原语。实验结果和与最先进算法的比较表明，所提出的方法可以正确有效地将记录的运动特征合成为运动原语序列。最后，现实世界任务的识别结果表明，所提出的算法可用于重建人类引导任务，并进一步用于指挥库卡机器人。重建轨迹的实验结果表明，使用所提出的算法，现实世界的任务可以表示并保持 2.37 mm 的精度。实验结果和与最先进算法的比较表明，所提出的方法可以正确有效地将记录的运动特征合成为运动原语序列。最后，现实世界任务的识别结果表明，所提出的算法可用于重建人类引导任务，并进一步用于指挥库卡机器人。重建轨迹的实验结果表明，使用所提出的算法，现实世界的任务可以表示并保持 2.37 mm 的精度。实验结果和与最先进算法的比较表明，所提出的方法可以正确有效地将记录的运动特征合成为运动原语序列。最后，现实世界任务的识别结果表明，所提出的算法可用于重建人类引导任务，并进一步用于指挥库卡机器人。重建轨迹的实验结果表明，使用所提出的算法，现实世界的任务可以表示并保持 2.37 mm 的精度。