制造业最近从大规模生产到大规模定制的范式的转变需要经常根据市场需求重新配置和重新编程。这些任务通过时间，准确性和能源效率的关键指标进行评估。但是，传统的编程方法要求现场机器人专家以及大量的时间和资源投资，增加了停机时间和成本。从示范中学习（LFD）是一种潜在的替代方案，它使机器人能够通过人类的示威来获取任务[1]。然而，现有的LFD方法的效率通常受到演示质量的阻碍，通常无法满足关键指标。这些演示通常较慢，并且由于不同任务阶段的速度需求变化，因此不能统一加速[2]。此外，这些演示中的固有噪音直接影响人类老师意图的编码准确性。因此，在不妥协的情况下过滤这种噪声变得不平凡。现有的LFD方法可能会在准确性和时间之间进行次优的权衡。此外，指示高能量征服的高射击轨迹是嘈杂示范的经常结果。尽管学习算法可以在某种程度上减轻这些混蛋的尖峰，但它会阻碍学习效率。平衡混蛋最小化并遵守原始演示路径是当前LFD方法难以有效解决的复杂任务。