arXiv cs.AI· Wensi Ai, Christopher Luey, Karthik Dharmarajan, Evans Han, Yunfan Jiang, Stef Ren, Jianwen Xie, Jiajun Wu, Li Fei-Fei, Ruohan Zhang·· 3 天前AI 评分27
I3L：面向全身移动操作迭代交互式模仿学习系统
I3L: Iterative Interactive Imitation Learning for Whole-Body Mobile Manipulation
AI 导读
针对离线示教策略在长时程全身移动操作中因复合误差而失效的问题，研究者提出 I3L 软硬件一体化系统，通过低成本开源 JoyLo+ 接口实现全身协同纠错与迭代策略精炼。
正文 · AI 翻译
摘要：从遥操作演示中离线训练的策略在训练分布之外可能会退化。这一差距在长时程全身移动操作中尤为突出，因为长时程会放大复合误差，而手臂、躯干和底座的协调运动使得穷尽式演示覆盖不切实际。我们提出 I3L，一个集成的硬件与学习系统，将全身纠正与迭代策略精炼相结合，以解决这最后一英里的可靠性差距。其低成本、开源的 JoyLo+ 接口使用策略跟踪主臂和触摸触发接管，以实现跨身体各部位的协调纠正，而迭代部署与再训练则允许操作员针对更新后策略的失败进行改进。我们在三种机器人本体和八个仿真与真实任务上评估 I3L，其中包括四个长时程全身移动操作任务。受控仿真实验表明，四轮 HG-DAgger 在两个任务上均取得最高的最终成功率。在该协议下，I3L 相比基础策略将自主成功率平均提升 68.3 个百分点，并在每个任务上达到至少 90% 的成功率，在相同训练轨迹数量下比仅使用演示训练平均高出 35.6 个百分点。跨任务平均而言，每回合接管时长在四轮中减少 72%。总之，这些结果表明 I3L 有助于弥合离线训练与可靠部署之间的最后一英里差距，并为长时程全身移动操作中收集和使用纠正提供了实用见解。视频、可视化和附录见 此 https URL。
| Comments: | 项目网站：此 https URL |
| Subjects: | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.17748 [cs.RO] |
| （或 arXiv:2610.17748v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17748 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Wensi Ai [查看电子邮件]
[v1]
2026年10月13日星期二 05:28:59 UTC（5,437 KB）
来源：arXiv cs.AI · arxiv.org