机器人技术发展迅速,但是机器人操作一直以来依赖传统规划方式,没有智能性与自主决策能力,对于一些复杂操作任务以及无法准确建立环境动力学模型的场景无法胜任。机器人学习方法为机器人操作开辟了一条新道路,通过自主学习避免直接环境建模,获得完成任务的能力,是一个非常热门的研究方向。在各种机器人操作中,释放型操作作为这些操作中的一个典型,具备大部分操作的轨迹生成阶段、轨迹重现阶段以及轨迹优化阶段。本研究最终以释放型操作作为一个典型例子对示教学习以及增强学习在机器人操作方面的应用做进一步的研究。具体是用一个四自由度的WAM机械臂推动一个圆柱体到目标区域。希望能够借助这一研究,将示教学习与增强学习方法的应用推进一步。首先需要示教学习方法提供一个初始解。机器人的运动可以由一个通用的动力学模型来大致表示,然后复现出来,并且可以通过调节模型的参数来对运动进行适当的调整,用来适应环境和目标的轻微变化。动态运动基元法由一个二阶弹簧阻尼系统来适应环境和机器人的动力学模型,并且在系统中加入一个拟合项模仿机器人运动轨迹。从而将复杂的动力学模型转换为参数较少,更加简单的模型。为机器人学习操作提供了初始解。本文结合自己的实践,对传统的虚拟二阶弹簧阻尼系统进行改进,加入多虚拟弹簧阻尼系统,将示教学习轨迹信息与目标信息解耦,将时变转换为时不变,提高了示教的灵活性。得到初始解后,再由增强学习方法优化。基于路径积分的策略提升方法将动态运动基元得到的轨迹进行代价值量化,高代价对应轨迹具有较低的概率,以此更新动态运动基元模型参数,直到机器人能够很好的完成操作任务。