Task-Parameterized Learning from Demonstrations (TP-LfD) is an intelligent intuitive approach to support collaborative robots (cobots) for various industrial applications. Using TP-LfD, human’s demonstrated paths can be learnt by a cobot for reproducing new paths for the cobot to move along in dynamic situations intelligently. One of the challenges to applying TP-LfD in industrial scenarios is how to identify and optimize critical task parameters of TP-LfD, i.e., frames in demonstrations. To overcome the challenge and enhance the performance of TP-LfD in complex manufacturing applications, in this paper, an improved TP-LfD approach is presented. In the approach, frames in demonstrations are autonomously chosen from a pool of generic visual features. To strengthen computational convergence, a statistical algorithm and a reinforcement learning algorithm are designed to eliminate redundant frames and irrelevant frames respectively. Meanwhile, a B-Spline cut-in algorithm is integrated in the improved TP-LfD approach to enhance the path reproducing process in dynamic manufacturing situations. Case studies were conducted to validate the improved TP-LfD approach and to showcase the advantage of the approach. Owing to the robust and generic capabilities, the improved TP-LfD approach enables teaching a cobot to behavior in a more intuitive and intelligent means to support dynamic manufacturing applications.

任务参数化的演示学习（TP-LfD）是一种智能的直观方法，可为各种工业应用程序支持协作机器人（cobot）。使用TP-LfD，协作机器人可以学习人类演示的路径，从而为协作机器人在动态情况下智能移动提供新的路径。在工业场景中应用TP-LfD的挑战之一是如何识别和优化TP-LfD的关键任务参数，即演示中的帧。为了克服挑战并提高TP-LfD在复杂制造应用中的性能，本文提出了一种改进的TP-LfD方法。在这种方法中，演示中的帧是从一组通用的视觉特征中自主选择的。为了加强计算收敛，设计了统计算法和强化学习算法分别消除冗余帧和无关帧。同时，在改进的TP-LfD方法中集成了B样条插入算法，以增强动态制造情况下的路径重现过程。进行了案例研究，以验证改进的TP-LfD方法并展示该方法的优势。由于具有强大的通用功能，经过改进的TP-LfD方法可以使协作机器人以更直观，更智能的方式教导行为，以支持动态制造应用。在改进的TP-LfD方法中集成了B样条插入算法，以增强动态制造情况下的路径再现过程。进行了案例研究，以验证改进的TP-LfD方法并展示该方法的优势。由于具有强大的通用功能，经过改进的TP-LfD方法可以使协作机器人以更直观，更智能的方式教导行为，以支持动态制造应用。在改进的TP-LfD方法中集成了B样条插入算法，以增强动态制造情况下的路径再现过程。进行了案例研究，以验证改进的TP-LfD方法并展示该方法的优势。由于具有强大的通用功能，经过改进的TP-LfD方法可以使协作机器人以更直观，更智能的方式教导行为，以支持动态制造应用。