RISE：通过随机编码实现鲁棒模仿
机器人学
2025-09-30 v2 人工智能
摘要
确保机器人系统的安全性仍然是一个根本性挑战，尤其是在动态环境中部署离线策略学习方法（如模仿学习）时。传统的行为克隆 (BC) 在未经微调的情况下部署时通常无法泛化，因为它没有考虑到现实世界不断变化的环境中出现的观测干扰。为了解决这一局限性，我们提出了 RISE（通过随机编码实现鲁棒模仿），这是一种新颖的模仿学习框架，它通过变分潜在表示将环境参数的错误测量显式地纳入策略学习。我们的框架将障碍物状态、方向和速度等参数编码到一个平滑的变分潜在空间中，以提高测试时的泛化能力。这使得离线训练的策略能够产生对感知噪声和环境不确定性更具鲁棒性的动作。我们在两个机器人平台上验证了我们的方法，即一个自主地面车辆和一个 Franka Emika Panda 机械臂，并证明了与基线方法相比，在保持目标达成性能的同时，安全鲁棒性得到了提高。
引用
@article{arxiv.2503.12243,
title = {RISE: Robust Imitation through Stochastic Encoding},
author = {Mumuksh Tayal and Manan Tayal and Ravi Prakash},
journal= {arXiv preprint arXiv:2503.12243},
year = {2025}
}
备注
15 pages, 4 figures