Statistical Learning of Robotic Demonstration Trajectories Based on Multicriteria Segmentation and Multi-Demonstration Alignment (HSMM)
( Pp. 34-47)

Statistical Learning of Robotic Demo Trajectories Based on Multicriteria Segmentation and Multi-Demonstration Alignment (HSMM) addresses complex tasks in human-robot interaction and intelligent manufacturing. The research goal of this study is to automatically extract generalized key segments from multiple robotic demonstration trajectories in the absence of prior annotations and establish statistical and parametric models for universal trajectory reproduction across diverse tasks and conditions. To achieve this, the research tasks include multicriteria segmentation (speed, curvature, acceleration, direction change), trajectory alignment using Hidden Semi-Markov Models (HSMM), and subsequent implementation of statistical representations (ProMP, GMM/GMR, DMP). The proposed methodology begins with the smoothing of raw data and the identification of key points via topological simplification and non-maximum suppression, then, using HSMM, it ensures consistent segmentation of multiple demonstrations into characteristic segments. The conducted experiments confirm the results of the approach, demonstrating low reconstruction error while simultaneously improving data compression and preserving key actions, indicating the high efficiency of the method. Finally, the novelty and practical significance of this study can be highlighted by the potential industrial applications (such as welding, painting, etc.), as well as the future prospective expansions of the method to more dynamic and non-stationary scenarios, requiring adaptive and statistically grounded trajectory planning.

Tianci Gao, Dmitriev D.D., Neusypin K.A. Statistical Learning of Robotic Demonstration Trajectories Based on Multicriteria Segmentation and Multi-Demonstration Alignment (HSMM). Computational Nanotechnology. 2025. Vol. 12. No. 1. Pp. 34–47. (In Rus.). DOI: 10.33693/2313-223X-2025-12-1-34-47. EDN: LQAATJ

Брусиловский П. Доступ к социальной информации: другая сторона социальной паутины // Междунар. конф. по современным тенденциям в теории и практике компьютерных наук. Springer, 2008. С. 5–22.
Безуглова Н.П. Модель четырех параметров культуры Гирта Хофстеда // Вестник Московского государственного университета культуры и искусств. 2008. № 5. С. 29–32.
Адомавичус Г., Тужилин А. На пути к следующему поколению рекомендательных систем: обзор современного состояния и возможных расширений // IEEE Transactions on Knowledge and Data Engineering 17.6. 2005. С. 73–749.
Воронцов K., Потапенко А. Учебное пособие по вероятностному тематическому моделированию: Аддитивная регуляризация для стохастической матричной факторизации // Междунар. конф. по анализу изображений, социальных сетей и текстов x000D, Springer, 2014. С. 29–46.
Оболенский Д.М., Шевченко В.И. Обзор современных методов построения рекомендательных систем – на основе контента и гибридные системы // Сборник статей Всерос. науч.-техн. конф. студентов, аспирантов и молодых ученых «Мир компьютерных технологий» (Севастополь 5–9 апреля 2021 г.). Севастополь: Севастопольский гос. ун-т, 2021. С. 151–156.
Medvedev A.V., Medvedev A.A. Forecasting financial markets using advanced machine learning algorithms // E3S Web of Conferences. 2023. No. 403. Art. 08007.
Medvedev A.V., Medvedev A.A. Development of a mathematical model for planning team readiness for IT solution implementation projects // E3S Web of Conferences. 2023. No. 403. Art. 01030.
Медведев А.В., Медведев А.А., Шучков М.Д. Концепция управления пищевыми продуктами с применением технологии RFID: минимизация потерь и повышение осведомленности потребителей // Computational Nanotechnology. 2024. Т. 11. № 1. С. 85–93. DOI: 10.33693/2313-223X-2024-11-1-85-93. EDN: DXHSQM.
Димитриева А.И., Попов А.П., Коваленко А.В. и др. К выбору модели машинного обучения для детектирования форменных элементов крови сельскохозяйственных животных // Вестник Чувашского гос. аграрного ун-та. 2023. № 1 (24). С. 55–62. DOI: 10.48612/vch/mma8-t4ta-89nt. EDN: NGHQGA.
Пьянкова С.Г., Ергунова О.Т., Белова М.В. Нейросети как качественный сдвиг в развитии технологий в трендах теории ноономики // Уфимский гуманитарный научный форум. 2024. № 2 (18). С. 126–143. DOI: 10.47309/2713-2358-2024-2-126-143. EDN: WYCBDX.
Медведев А.В., Медведев А.А., Кирейченков Н.С. Внедрение ботов RPA в логистику холодовой цепочки поставок // Computational Nanotechnology. 2024. Т. 11. № 2. С. 35–42. DOI: 10.33693/2313-223X-2024-11-2-35-42. EDN: MMOQKQ.
Артемьев В.С., Мокрова Н.В. Метод первого приближения анализа устойчивости систем управления электрооборудованием // Computational Nanotechnology. 2024. Т. 11. № 3. С. 52–56. DOI 10.33693/2313-223X-2024-11-3-52-56. EDN: QGSYPS.
Артемьев В.С., Максимов А.С. Реализация метода Симою для моделирования переходных процессов объекта управления // Computational Nanotechnology. 2024. Т. 11. № 3. С. 43–51. DOI: 10.33693/2313-223X-2024-11-3-43-51. EDN: QGRTWW.
Mokrova N., Artemyev V., Hajiyev A. Design of reversible thyristor feed drive with proportional-integral controllers // Machine Science. 2024. Vol. 13. No. 2. Pp. 13–28. DOI: 10.61413/IYNU7656.
Тихонов В.А., Белов В.В., Артемьев В.С. Анализ базовых моделей транспортного потока // Международный журнал прикладных и фундаментальных исследований. 2017. № 3-2. С. 175–177.
Ahmedov B., Artemyev V., Kaya H. Modelling of automatic control system on an electronic model // Machine Science. 2024. Vol. 13. No. 2. Pp. 65–76. DOI: 10.61413/RSGZ7710.
Wong C.C., Vong C.M. Persistent homology-based graph convolution network for fine-grained 3D shape segmentation. In: Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021. Pp. 7098 7107. DOI: 10.1109/ACCESS.2022.3218653.
Lu Y., Jiang B., Liu N. et al. CrossPrune: Cooperative pruning for camera LiDAR fused perception models of autonomous driving. Knowledge-Based Systems. 2024. Vol. 289. Art. 111522. DOI: 10.1016/j.knosys.2024.111522.
Neubeck A, Van Gool L. Efficient non-maximum suppression. In: 18th International Conference on Pattern Recognition (ICPR 06). IEEE, 2006. Vol. 3. Pp. 850 855. DOI: 10.1109/ICPR.2006.479.
Gervet T., Xian Z., Gkanatsios N. et al. Act3D: 3D feature field transformers for multi-task robotic manipulation. In: 7th Annual Conference on Robot Learning, 2023.

robot learning from demonstrations, trajectory segmentation, probabilistic motion primitives, multicriteria analysis, Hidden Semi-Markov Model (HSMM).