SAIL：比演示更快的模仿学习策略执行
机器人学
2025-09-09 v2 人工智能
摘要
离线模仿学习（IL）方法（如行为克隆）能有效获取复杂的机器人操作技能。然而，现有的IL训练策略仅限于以演示数据中所示的速度执行任务。这限制了机器人系统的任务吞吐量，而这是工业自动化等应用的关键要求。在本文中，我们引入并形式化了实现视觉运动策略比演示更快执行的新问题，并识别了机器人动力学和状态-动作分布偏移中的基本挑战。我们将关键见解实例化为SAIL（模仿学习速度自适应），这是一个集成四个紧密连接组件的全栈系统：（1）用于高速平滑运动的一致性保持动作推理算法，（2）对控制器不变运动目标的高保真跟踪，（3）根据运动复杂度动态调整执行速度的自适应速度调制，以及（4）处理现实世界系统延迟的动作调度。在模拟和两个真实的不同机器人平台上的12项任务实验表明，SAIL在模拟中实现了高达演示速度4倍的加速，在现实世界中实现了高达3.2倍的加速。更多细节请访问 https://nadunranawaka1.github.io/sail-policy
引用
@article{arxiv.2506.11948,
title = {SAIL: Faster-than-Demonstration Execution of Imitation Learning Policies},
author = {Nadun Ranawaka Arachchige and Zhenyang Chen and Wonsuhk Jung and Woo Chul Shin and Rohan Bansal and Pierre Barroso and Yu Hang He and Yingyang Celine Lin and Benjamin Joffe and Shreyas Kousik and Danfei Xu},
journal= {arXiv preprint arXiv:2506.11948},
year = {2025}
}
备注
The first two authors contributed equally. Accepted to CoRL 2025