适应你的身体：在模仿学习中减轻本体感知偏移

机器人任务的模仿学习模型通常依赖多模态输入，包括 RGB 图像、语言和本体感知状态。虽然本体感知在决策和障碍规避中直观地重要，但仅仅纳入所有本体感知状态会导致意想不到的模仿学习性能下降。在本 work 中，我们识别出根本问题为本体感知偏移问题，即训练和部署时的本体感知状态分布显著发生偏移。为解决这一挑战，我们提出了一个域适应框架，通过利用部署期间收集的 rollout 数据来弥合两者之间的差距。使用 Wasserstein 距离，我们量化了 expert 和 rollout 本体感知状态之间的偏差，并通过对两组状态添加与 Wasserstein 距离成比例的噪声来缩小这一差距。该策略通过对齐训练和部署分布来增强对本体感知偏移的鲁棒性。机器人操控任务的实验表明，我们的方法有效，使模仿策略能够利用本体感知，同时减轻其不利影响。我们的 approach 在放弃本体感知的 naive 解决方案以及其他旨在解决分布偏移的基线方法之上均取得了优势。