论 Koopman 算子理论在学习灵巧操作技能中的效用

尽管基于学习的方法实现了令人印象深刻的灵巧操作能力，我们尚未看到其在资源充裕的实验室之外的广泛采用。这可能是由于实际限制，例如巨大的计算负担、难以解释的学习行为、对初始化的敏感性，以及实现所需的大量技术专长。在这项工作中，我们研究 Koopman 算子理论在缓解这些限制方面的效用。Koopman 算子是简单而强大的控制理论结构，可将复杂非线性动力学表示为高维线性系统。受灵巧操作背后复杂非线性动力学这一事实的启发，我们开发了基于 Koopman 算子的模仿学习框架，以同时学习机械手与物体的期望运动。我们表明 Koopman 算子对灵巧操作出奇地有效，并带来若干独特益处。值得注意的是，策略可解析地学习，大幅降低计算负担，消除对初始化的敏感性以及繁琐的超参数优化需求。我们的实验揭示，基于 Koopman 算子的方法在成功率和样本效率方面可与最先进的模仿学习算法相媲美，同时快一个数量级。策略视频可在 https://sites.google.com/view/kodex-corl 查看。