В реальной жизни, робот никогда не придется столкнуться с полностью одинаковой ситуацией дважды. Поэтому уроки движения должны быть закодированы так, чтобы быть адаптированными к различным исходным ситуациям и изменяющимся целям. Разработчики используют Dynamic Movement Primitives (DMPs), который за одну демонстрацию в течение нескольких секунд позволяет пользователю эффективно научить PR2 новым движениям. DMPS позволяет роботу выполнить свою задачу, даже если цель меняется во время исполнения движения.
При этом, как говорят исследователи, им нужно решить три проблемы:
Первая – «проблема согласования», т.к. механические схема работы конечностей (в т.ч. суставов) у робота и человека – различны. Вторая – «проблема обобщения» движений, так как невозможно обучить робота всему огромному количеству возможных движений. Третья – «проблема надежности» движений – из-за постоянно меняющегося контекста и изменения целей движений.

Как представляется, один из путей решения этой проблемы – дробление движений до вычленения «примитивных», простых движений и разработка алгоритма составления сложных движений из цепочек «примитивных» движений, которые внесены в общую базу движений робота. И, конечно же, передача соответствующих управленческих команд на двигатели робота, с учетом того, что большое количество двигателей робота и его степеней свободы требует выбора оптимальной траектории движения, а также серьезной координации работы всех элементов управленческо-механической системы робота.
Отметим, что разработчики считают также, что разработанные ими модели можно сравнивать с поведением биологических объектов (моделей), чтобы выяснить «примитивные движения» в биологических системах, а также понять, как такие «примитивные движения» представлены в головном мозге биологических объектов.
Смотрите видео
Более подробно об алгоритмах и подходах к этой работе смотрите здесь:
http://www-clmc.usc.edu
pastor-ICRA2009