Bi-HIL: 基于双向控制的多模态层次性模仿学习，通过子任务级进度率与关键帧记忆实现长时程接触丰富的机器人操作
机器人学
2026-03-27 v2
摘要
长时程接触丰富的机器人操作由于部分可观测性和接触不确定性下的子任务转换不稳定，仍具有挑战性。虽然层次化架构改进了时序推理，双向模仿学习实现了力觉控制，但现有方法常依赖平坦策略，难以处理长时程协调。在本文中，我们提出了Bi-HIL，一种基于双向控制的多模态层次性模仿学习框架，用于长时程操作。Bi-HIL通过整合关键帧记忆与子任务级进度率来稳定层次协调，该进度率建模了活跃子任务中的阶段进展，并同时决定高层和低层策略。我们在单臂和双臂真实机器人任务上评估了Bi-HIL，结果表明相对于平坦和消除变体持续改进。结果凸显了在稳健的长时程操作中，显式建模子任务进度与力觉控制的重要性。欲了解更多材料，请访问：https://mertcookimg.github.io/bi-hil
引用
@article{arxiv.2603.13315,
title = {Bi-HIL: Bilateral Control-Based Multimodal Hierarchical Imitation Learning via Subtask-Level Progress Rate and Keyframe Memory for Long-Horizon Contact-Rich Robotic Manipulation},
author = {Thanpimon Buamanee and Masato Kobayashi and Yuki Uranishi},
journal= {arXiv preprint arXiv:2603.13315},
year = {2026}
}