Direct Imitation Learning-based Visual Servoing using the Large Projection Formulation

现今的机器人必须安全、多功能且易于操作，才能在无结构和人口密集的环境中运行。基于动态系统的模仿学习使机器人能够稳定地执行复杂任务，无需显式编程，大大简化了它们在现实世界中的部署。为了充分利用这些系统的潜力，实施使用视觉反馈的闭环至关重要。视觉可以应对环境变化，但由于图像空间的高维度，处理起来很复杂。本研究介绍了一种基于动态系统的模仿学习，用于直接视觉伺服。它利用现成的基于深度学习的感知骨干从原始输入图像中提取稳健的特征，并使用模仿学习策略执行复杂的机器人动作。学习模块使用大投影任务优先级公式进行集成。通过广泛的实验分析，本文提出的方法可以实现机器人操作器的复杂任务。

本论文旨在解决机器人在复杂环境中执行任务的问题，提出了一种基于动态系统的模仿学习方法，结合视觉反馈实现机器人的直接视觉伺服。

论文通过结合深度学习感知模型和模仿学习策略，实现了机器人在复杂环境中执行复杂任务的能力。

论文使用了基于动态系统的模仿学习方法，结合大投影任务优先级公式实现了学习块的整合。实验结果表明，该方法可以实现机器人的复杂任务。

最近的相关研究包括：Learning to See, Acting to Survive: Visual Reinforcement Learning in the Wild和End-to-End Training of Deep Visuomotor Policies。