文章核心观点 - 一篇由多所顶尖研究机构联合发表的综述论文，首次对模仿学习在机器人灵巧操作领域的研究进行了全景式梳理，涵盖了2021年至2025年的关键进展[1][2] - 模仿学习通过直接利用人类示范数据来学习策略，避免了传统方法中显式建模复杂接触动力学和大规模试错的瓶颈，为灵巧操作提供了一条数据驱动的新路径[1][4] - 该领域的发展依赖于高质量数据、适配算法、可靠硬件与标准化评估的协同，目前研究正从单次短时任务转向长期交互与多技能组合，旨在赋能具身智能体完成复杂物理交互[4][26] 理论支撑 - 模仿学习的有效性植根于跨学科理论体系：认知科学中的社会学习理论和镜像神经元机制提供了行为学与神经学依据；控制理论中的内部模型与最优反馈控制框架为策略设计提供了数学工具；优化理论则为各类算法提供了统计学习保证[6] 数据资源 - 高质量示范数据是模仿学习的基础，数据采集范式正从早期的遥操作向更具可扩展性的方向演进[6] - 代表性数据集包括：人类遥操作数据集如MIME（8,260次演示，20个任务）、RH20T（超过110,000个多模态序列）、BridgeData V2（60,096条轨迹，24个环境）；增强数据集如RoboAgent（从7,500条轨迹增强至98,000条）；合成数据集如MimicGen（从200次演示合成出50,000次演示，覆盖18个任务）[7] - 数据集质量评估需关注传感模态丰富度、标注质量、任务与场景多样性以及物理真实性等多个维度[9] 学习方法 - 模仿学习范式持续多样化，核心进展包括：高保真几何建模（如ARCTIC数据集）、双手协同标注（如OAKINK2数据集）、合成与增强技术（如MimicGen、RoboAgent）以及弱监督视频学习[11] - 具体算法改进包括：行为克隆的演进，如隐式行为克隆和扩散策略；对抗模仿学习的鲁棒性提升；视频驱动学习分为运动中心建模、合成视频生成、表征学习与任务定制架构四类；触觉与视觉的跨模态融合[12] - 主要方法分类包括：行为克隆、逆强化学习、生成对抗模仿学习、分层模仿学习和持续模仿学习，各有其优缺点和适用场景[14] - 基于视频的模仿学习方法可分为：运动中心模仿学习、用于策略学习的合成视频、用于泛化的表征学习以及任务特定架构和学习目标[15] 硬件平台 - 灵巧手设计正朝着低成本、开源化、模块化方向演进[16] - 代表性灵巧手包括：Shadow Dexterous Hand（24自由度，高精度力控）、LEAP Hand（易于制造，常用于大规模实验）、Linker Hand L20（连杆驱动，每指4电机）、Allegro Hand（直接驱动，结构紧凑）以及BarrettHand（欠驱动，工业应用广泛）[17] - 末端执行器主要分为两指夹爪、三指机械爪和多指拟人手，在自由度、灵巧性、控制精度、适应性和成本上各有不同，对模仿学习的数据需求、训练难度和泛化能力有直接影响[18] - 整体硬件平台构型（如高自由度人形平台与轻量化本体）及其动力学特性对策略部署效能和系统误差有重要影响，近期工作如Mobile ALOHA通过全身遥操作来弥合手部策略与全身运动间的鸿沟[18][19] 操作系统 - 支撑算法落地的“操作系统”指基础软件栈与任务调度框架，需要实现高层任务分解与底层动作执行的解耦，并确保遥操作数据采集的时空一致性[20][21] - 为解决跨平台复现难题，需要社区共建标准化部署环境，包括统一的仿真参数、硬件抽象层接口及评估指标注册表[21] 评估协议 - 当前领域评估缺乏统一标准，在任务定义、评价指标和硬件依赖方面存在差异，难以实现跨方法、跨平台的公平比较[22][23] - 综述呼吁社区共建标准化基准测试，涵盖插拔、旋拧等典型任务，并引入物理可行性、能耗、失败恢复率等综合指标[23] 总结与展望 - 未来发展方向包括：提升算法的跨平台迁移能力、建立标准化的评估体系、将研究重心从单次短时任务转向长期交互与多技能组合[26] - 具备类人手部灵活性的机器人将拓展人工智能在家庭服务到工业装配等复杂物理交互场景中的应用边界[26]