Object-Centric Latent Action Learning (2025.6)

动机：视觉干扰物（如动态背景）在潜在动作学习中存在负面影响 方法：预训练视频模型将视频分解为可解释对象槽，通过线性回归选择前景对象槽学习latent

新颖性

ThriftyDAgger: Budget-Aware Novelty and Risk Gating for Interactive Imitation Learning (CoRL 21 Oral, Berkeley)

1. 通过对当前policy进行MC-Dropout，将当前状态作为输入，得到动作集合
2. 计算方差
3. 该指标反映了对于当前state ，模型预测的不确定性

1. 机器人策略的学习依赖大量机器人动作数据，而机器人数据收集成本极高
2. 另一方面，人类动作视频中存在大量与机器人操作相似的规律
3. 如何从人类视频中提供迁移到机器人的通用动作信息，成为重要问题

人工设计阶段

人工设计：图像编辑

LuciBot通过密集的检测、分割、跟踪等方法，得到人手和操作物体的位置和运动轨迹，之后通过图像编辑将人手替换为机械臂，从而迁移到机器人数据

这种方法往往针对特定任务，且生成的视频不一定符合物理规律

精密操作

Two by Two (CVPR 25)

针对装配任务的数据集，将物体分成2个零件，提供零件在空间中的组合结构