学术研究报告：机器人模仿学习新突破——单次演示即可掌握千种任务
作者及机构
本研究的共同第一作者为Kamil Dreczkowski与Pietro Vliello，合作者包括Vitalis Vosylius和Edward Johns，均来自伦敦帝国理工学院机器人学习实验室（Robot Learning Lab at Imperial College London）。该研究以工作坊论文形式发表于ICLR 2025第七届机器人学习研讨会（7th Robot Learning Workshop at ICLR 2025），题为《Learning a Thousand Tasks in a Day》。
科学领域与背景
研究聚焦于机器人模仿学习（Imitation Learning）领域，旨在解决当前机器人任务学习效率低下的核心问题。传统方法（如行为克隆，Behavioral Cloning, BC）需数百次演示才能掌握单一任务，而人类仅需少量观察即可模仿。这一差距源于现有方法多采用单阶段整体策略（monolithic policy），未区分任务中的不同推理阶段。
研究动机
团队发现，将任务分解为对齐（alignment）与交互（interaction）两阶段，可显著提升数据效率。对齐阶段关注末端执行器与目标物体的相对位姿，交互阶段则需精确控制动作轨迹。基于此，团队提出多任务轨迹迁移（Multi-Task Trajectory Transfer, MT3）方法，通过检索（retrieval）机制复用演示数据，实现单次演示学习。
研究目标
1. 验证任务分解（对齐+交互）是否优于传统单阶段策略；
2. 比较检索方法与行为克隆在两阶段的性能差异；
3. 开发高效模仿学习框架MT3，并验证其千级任务扩展能力。
1. 系统架构设计
研究对比五种方法：
- 单阶段基线（MT-ACT+）：传统行为克隆策略；
- 四类分解策略：组合BC与检索方法（如BC-BC、BC-Ret、Ret-BC、Ret-Ret/MT3）。
2. 数据收集与处理
- 演示数据：采集1000个任务（涉及402种物体、31种宏观技能），每个任务仅需1次演示，总耗时17小时；
- 数据表示：轨迹记录为RGB-D图像序列与末端执行器状态（6D位姿+夹爪状态），通过Grounding DINO和XMem算法分割目标物体点云。
3. 检索方法开发
- 分层检索管道：
- 语言检索：根据任务描述匹配微技能（micro-skill）；
- 几何检索：通过PointNet++编码器计算物体点云相似性，选择最匹配的演示。
- 对齐策略：基于轨迹迁移（Trajectory Transfer）估计末端执行器目标位姿；
- 交互策略：直接复现演示中的动作序列。
4. 行为克隆策略优化
- 网络架构：采用MT-ACT+（改进自MT-ACT），结合PointNet++与CLIP语言嵌入；
- 训练增强：添加位姿扰动与点云掩蔽，提升泛化性。
5. 实验设计
- 对照实验：
- 数据量实验：固定任务数（12个已知+8个未知任务），比较1~50次演示/任务的性能；
- 任务多样性实验：固定总演示数（150次），调整任务数（10→50个）。
- 大规模评估：在1000个任务（含100个未知任务）中测试MT3，共2200次实际 rollout。
1. 分解策略显著提升效率
- 单次演示下，分解方法平均成功率（65%）超越单阶段策略（需10次演示）；
- MT3（Ret-Ret）表现最佳，3次演示即可达其他方法50次演示的性能（图7a）。
2. 检索方法优势显著
- 对齐阶段：检索方法通过几何匹配，泛化性优于BC（成功率+15%）；
- 交互阶段：直接复现演示轨迹的检索策略，对物体几何变化容忍度更高（图7c）。
3. 千级任务验证
- MT3在1000个任务中平均成功率达78.25%（已知任务）与65.66%（未知任务）；
- 性能与任务精度需求相关：堆叠（stacking）等高容错任务成功率超90%，而插入（insertion）等精密操作较低。
4. 失败模式分析
- 主要失败源于检索错误（22.3%）（如物体部分遮挡）与位姿估计误差（23.9%）；
- 运动规划问题仅占5.3%，验证了MT3动作执行的鲁棒性（图13）。
科学价值
1. 提出任务分解先验，揭示对齐与交互阶段的独立性是高效学习的关键；
2. 证明检索方法在少样本学习中的优越性，为数据高效模仿学习提供新范式。
应用价值
- 降低数据成本：单次演示即可学习，使机器人快速适应新任务；
- 规模化潜力：24小时内完成千级任务学习，远超现有技术（如RT-1需17个月）。
局限与展望
- 当前检索依赖几何相似性，未来可融合语义信息；
- 多步骤任务需结合高层规划，进一步扩展MT3的链式操作能力。
（报告字数：约2000字）