Task Parameter Extrapolation via Learning Inverse Tasks From Forward Demonstrations

doi:10.1109/lra.2026.3732891

Task Parameter Extrapolation via Learning Inverse Tasks From Forward Demonstrations

2026-09-10

0

PRE

AI

DOI：10.1109/lra.2026.3732891

原文链接

原文求助

摘要

En 中文

将技能策略泛化到新颖条件仍是机器人学习中的关键挑战。模仿学习方法虽然数据高效，但大多局限于训练区域，且在输入数据超出该区域时持续失败，导致策略失效不可预测。相比之下，迁移学习为轨迹生成提供了对环境和任务变化均具有鲁棒性的方法，但它们仍需大量数据，且零样本泛化精度不足。我们在任务逆学习背景下解决了这些挑战，并提出了一种新颖的联合学习方法以实现准确高效的知识迁移。我们的方法构建了正逆任务的共同表示，并利用来自新颖配置的辅助正向演示来成功执行相应的逆任务，无需任何直接监督。我们通过消融研究和在模拟及真实环境中的实验，展示了我们框架的泛化能力，这些实验要求使用多样化物体和工具进行复杂操作技能，其中我们优于基于扩散的方法和多模态VAE替代方案。

Keyword:

Learning from experience

learning from demonstration

joint learning

skill generalization

Task Parameter Extrapolation via Learning Inverse Tasks From Forward Demonstrations

摘要

期刊

机构

引用论文