The approach of Learning from Demonstrations (LfD) can support human operators especially those without much programming experience to control a collaborative robot (cobot) in an intuitive and convenient means. Gaussian Mixture Model and Gaussian Mixture Regression (GMM and GMR) are useful tools for implementing such a LfD approach. However, well-performed GMM/GMR require a series of demonstrations without trembling and jerky features, which are challenging to achieve in actual environments. To address this issue, this paper presents a novel optimised approach to improve Gaussian clusters then further GMM/GMR so that LfD enabled cobots can carry out a variety of complex manufacturing tasks effectively. This research has three distinguishing innovative characteristics: 1) a Gaussian noise strategy is designed to scatter demonstrations with trembling and jerky features to better support the optimisation of GMM/GMR; 2) a Simulated Annealing-Reinforcement Learning (SA-RL) based optimisation algorithm is developed to refine the number of Gaussian clusters in eliminating potential under-/over-fitting issues on GMM/GMR; 3) a B-spline based cut-in algorithm is integrated with GMR to improve the adaptability of reproduced solutions for dynamic manufacturing tasks. To verify the approach, cases studies of pick-and-place tasks with different complexities were conducted. Experimental results and comparative analyses showed that this developed approach exhibited good performances in terms of computational efficiency, solution quality and adaptability.

从演示中学习（LfD）的方法可以为人类操作员提供支持，尤其是那些没有太多编程经验的操作员，可以通过直观，便捷的方式控制协作机器人（cobot）。高斯混合模型和高斯混合回归（GMM和GMR）是实现这种LfD方法的有用工具。但是，性能良好的GMM / GMR需要进行一系列演示，而又不会出现颤抖和生涩的特征，这在实际环境中很难实现。为了解决这个问题，本文提出了一种新颖的优化方法，可以改进高斯群集，然后进一步改进GMM / GMR，以便启用LfD的协作机器人可以有效地执行各种复杂的制造任务。这项研究具有三个与众不同的创新特征：1）高斯噪声策略旨在分散具有抖动和抖动特性的演示，以更好地支持GMM / GMR的优化；2）开发了一种基于模拟退火强化学习（SA-RL）的优化算法，以优化高斯群集的数量，从而消除了GMM / GMR上潜在的过拟合/过拟合问题；3）基于B样条的插入算法与GMR集成在一起，以提高复制解决方案对动态制造任务的适应性。为了验证该方法，对具有不同复杂性的取放任务进行了案例研究。实验结果和比较分析表明，这种改进的方法在计算效率，解决方案质量和适应性方面均表现出良好的性能。2）开发了一种基于模拟退火强化学习（SA-RL）的优化算法，以优化高斯群集的数量，从而消除了GMM / GMR上潜在的过拟合/过拟合问题；3）基于B样条的插入算法与GMR集成在一起，以提高复制解决方案对动态制造任务的适应性。为了验证该方法，对具有不同复杂性的取放任务进行了案例研究。实验结果和比较分析表明，这种改进的方法在计算效率，解决方案质量和适应性方面均表现出良好的性能。2）开发了一种基于模拟退火强化学习（SA-RL）的优化算法，以优化高斯群集的数量，从而消除了GMM / GMR上潜在的过拟合/过拟合问题；3）基于B样条的插入算法与GMR集成在一起，以提高复制解决方案对动态制造任务的适应性。为了验证该方法，对具有不同复杂性的取放任务进行了案例研究。实验结果和比较分析表明，这种改进的方法在计算效率，解决方案质量和适应性方面均表现出良好的性能。3）基于B样条的插入算法与GMR集成在一起，以提高复制解决方案对动态制造任务的适应性。为了验证该方法，对具有不同复杂性的取放任务进行了案例研究。实验结果和比较分析表明，这种改进的方法在计算效率，解决方案质量和适应性方面均表现出良好的性能。3）基于B样条的插入算法与GMR集成在一起，以提高复制解决方案对动态制造任务的适应性。为了验证该方法，对具有不同复杂性的取放任务进行了案例研究。实验结果和比较分析表明，这种改进的方法在计算效率，解决方案质量和适应性方面均表现出良好的性能。