人类从出生到老去可以一直的学习和积累知识,并能够对学习到的技能进行存储记忆,实现有效的重复利用知识以快速解决新任务的。研究机器人技能的学习方法,使其在学习过程中掌握完成任务所需技能,记住训练过任务中经历过的多个片段,并能够进行整合应用到新任务中。本文分章节开展了基于情景记忆和元学习的机械臂运动技能获取研究,研究内容主要从以下几个方面展开:首先,设计了物体识别定位和操作系统（Object recognition and grasping system）,通过视觉实现对工作空间内物体的识别和无碰撞操作。通过对相机标定后获取物体的点云信息,实现物体的定位;搭建基于RGB-D图像的视觉系统,分别实现简单环境和复杂环境下的物体识别。基于Move It!运动规划库进行机械臂的路径规划,并针对任务常用基础动作进行设计。然后,开展了基于元学习的机器人学习技能的方法研究。采用了LSTM为核心搭建的元学习网络。通过机械臂在多个任务上的训练进行跨任务学习,在模型训练阶段,元学习器针对技能获取目标设置多组任务进行训练,对每个任务基础学习器学习当前任务,掌握当前任务,由LSTM搭建的元学习器接收元分类器传递的梯度信息,元学习网络训练完成后,通过建立的情景记忆模型将网络参数存储为经验模块,指导元分类器在新任务的学习。再次,通过研究情景记忆的生物学基础和认知特性,对情景记忆功能进行分析,构造包含机器人经验和技能模型的情景记忆。将每个任务的情景记忆建模为多个事件的集合以及元学习器对于该任务的网络权重。在低层次,针对任务的每个事件封装机器人对该事件的状态感知以及行为动作;在高层次,针对每个任务封装该任务元学习器的网络权重作为情景经验存储。最后搭建由Kinect V2摄像头、UR3e机械臂、移动操作平台、robotiq二指夹爪等构成的机器人实验平台,设计桌面混杂物体清理任务、木块堆叠等任务,通过示教操作机器人与物体交互学习抓取、堆叠等简单技能;然后通过木块堆叠任务构型变化任务、混杂物品分类任务验证模型在复杂任务上的泛化能力。