基于扩散模型的噪声示范恢复用于模仿学习
机器人学
2025-10-17 v1
摘要
模仿学习（IL）旨在从专家示范中学习策略，已被应用于各种应用。通过学习专家策略，IL方法无需环境交互或奖励信号。然而，大多数现有模仿学习算法都假设专家示范是完美的，而专家示范常常包含由人类专家错误或传感器/控制系统不准确性导致的瑕疵。为此，本工作提出了一种过滤恢复框架，以充分利用带有内在噪声的专家示范。我们的方法首先从示范中筛选出干净的样本，然后学习条件扩散模型来恢复噪声样本。我们在各种领域内评估了所提出的框架和现有方法，包括机器人臂操作、灵巧操作和 locomotion。实验结果表明，所提出的框架在所有任务中均一致优于现有方法。消融研究进一步验证了每个组件的有效性，并证明了该框架对不同噪声类型和水平的鲁棒性。这些结果确认了该框架在噪声离线示范数据中的实际可用性。
引用
@article{arxiv.2510.14467,
title = {Restoring Noisy Demonstration for Imitation Learning With Diffusion Models},
author = {Shang-Fu Chen and Co Yong and Shao-Hua Sun},
journal= {arXiv preprint arXiv:2510.14467},
year = {2025}
}
备注
Published in IEEE Transactions on Neural Networks and Learning Systems (TNNLS)