arXiv Robotics· Qian Luo, Ruizhe Liu, Pei Zhou, Xunzhe Zhou, Yanchao Yang·· 5 小时前AI 评分36
Geometric Entropy：模仿学习中轨迹多样性何时有益何时有害
Geometric Entropy: When Trajectory Diversity Helps and Hurts in Imitation Learning
AI 导读
研究提出任务无关指标 Geometric Entropy（H_G），通过目标帧对齐归一化目标位姿与工作空间尺度等外在变化，量化示范轨迹的内在多样性。在多种模仿学习架构及仿真与真实机器人接触密集操作任务中，成功率与 H_G 呈一致的倒 U 形关系：低多样性区间提升多样性可增强鲁棒性，但多样性引发策略歧义后性能下降。
推荐理由模型分析
该研究把示范轨迹的形状多样性量化为几何熵，并在多种模仿学习架构、仿真与真实接触丰富操作任务上验证了成功率与多样性之间的倒U形关系：低多样性区增加多样性提升鲁棒性，过高则因策略歧义反而下降。对采集示范数据的研究者，它提供了可快速审计数据集、按任务难度与先验强度校准示范多样性的参考指标，但结论基于特定任务与模型，迁移到其他场景仍需自行验证。
来源：arXiv Robotics · arxiv.org