通过模仿学习实现灵巧操作：综述

灵巧操作是指机器人手或多指末端执行器通过精确、协调的手指运动和自适应力调制来熟练控制、重新定向和操作物体的能力，它能够实现类似于人手灵巧性的复杂交互。随着机器人技术和机器学习的最新进展，对这些系统在复杂和非结构化环境中运行的需求日益增长。由于灵巧操作的高维数和复杂的接触动力学，传统的基于模型的方法难以在不同任务和物体变化之间进行泛化。尽管强化学习（RL）等无模型方法显示出前景，但它们需要大量的训练、大规模的交互数据以及精心设计的奖励来保证稳定性和有效性。模仿学习（IL）提供了一种替代方案，允许机器人直接从专家演示中获取灵巧操作技能，捕获细粒度的协调和接触动力学，同时绕过了显式建模和大规模试错的需要。本综述概述了基于模仿学习的灵巧操作方法，详细介绍了最新进展，并探讨了该领域的关键挑战。此外，它还探索了增强 IL 驱动的灵巧操作的潜在研究方向。我们的目标是为研究人员和从业者提供对这一快速发展领域的全面介绍。