几何熵指标揭示示范轨迹多样性对模仿学习的影响

2026年11月10日，arXiv Robotics 刊出 Qian Luo 等作者的研究，提出任务无关指标 Geometric Entropy（H_G），用于量化模仿学习中示范轨迹的内在多样性。该指标通过目标帧对齐，归一化掉目标位姿与工作空间尺度等外在变化，只保留轨迹形状层面的多样性。作者在多种模仿学习架构以及仿真与真实机器人的接触密集操作任务中验证，发现任务成功率与 H_G 呈一致的倒 U 形关系：在低多样性区间增加多样性可提升鲁棒性，但多样性过高引发策略歧义后性能转而下降。研究还指出，随着任务熟练度提高（更多数据、更简单任务或更强先验），最优熵值向更低方向移动；对预训练的视觉-语言-动作模型，这一趋势变为近乎单调递减。该报道为事件首篇，暂无后续跟进或与之矛盾的数字与说法。

AI 根据报道生成 · 59 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。