创建高保真合成演示的原则方法

近期3D高斯溅写（3D Gaussian Splatting, 3DGS）的进展使我们能够从单个专家轨迹和简短的多视角扫描中生成视觉上逼真的演示。然而，现有的3DGS-based synthesis pipeline 通常使用基于抽样的规划器或轨迹优化来生成新运动，这些方法与专家示范的路径有显著偏差。虽然此类偏差对对运动形状不敏感的任务可接受，但它们会丢弃对接触丰富和形状敏感操作至关重要的细微空间和时间结构，导致演示多样性增加损害下游策略学习。我们认为，演示合成应将专家轨迹视为强先验。在此原则基础上，我们提出了一种框架，在显式保留专家运动结构的同时合成多样化任务演示。我们使用动态运动原语（Dynamic Movement Primitives, DMPs）对专家轨迹进行建模，并将其重新定位到新的目标、物体配置和视点中，以重建的3DGS场景为基础，生成由构造实现的相位一致、保持形状的运动。为在拥挤场景中安全实现此专家保留多样性，我们引入一种分析性、基于障碍的DMP公式，直接作用于由3DGS表示诱导的连续密度场。这使得在最小扰动专家运动的前提下实现碰撞避免，统一了光照逼真渲染和几何推理，无需额外的场景表示。我们在Spot移动机械臂上评估了该方法，针对三个运动保真度递增的操纵任务进行测试。与基于规划器和优化的合成方法相比，我们的方法产生的轨迹偏差和碰撞率更低，在训练基于扩散的视觉运动策略时实现更高的任务成功率。