Fusion Dynamical Systems with Machine Learning in Imitation Learning: A Comprehensive Overview

模仿学习（IL），也称为演示学习（LfD），通过高效的模仿捕捉专家运动技能，有望帮助人们熟练地应对复杂场景。IL面临的持久挑战在于如何从历史演示中扩展泛化能力，实现无需重新教学即可获取新技能。基于动态系统的IL（DSIL）是IL方法学的一个重要子集，它通过运动基元学习轨迹，基于经验抽象进行策略学习。本文强调了理论范式的融合，将动态系统中固有的控制理论原理整合到IL中。这种整合显著提高了在面对新场景时的鲁棒性、适应性和收敛性。本文旨在全面概述DSIL方法，涵盖了从传统方法到最新高级方法的范围。我们将DSIL分为自主动态系统和非自主动态系统，调查了低维输入的传统IL方法和高维输入的先进深度IL方法。此外，我们还介绍和分析了三种主要的IL稳定性方法：Lyapunov稳定性、收缩理论和微分同胚映射。我们的探索还扩展到DSIL的流行策略改进方法，包括强化学习、深度强化学习和进化策略。

本文旨在综述动态系统学习（DSIL）的方法，探讨IL泛化历史演示的挑战，提高模型的鲁棒性、适应性和收敛性。

本文将控制理论原则与动态系统相结合，提出DSIL方法，可以通过运动原语学习轨迹，并基于经验抽象进行策略学习。

本文将DSIL分为自主动态系统和非自主动态系统，涵盖传统IL方法和高维输入的深度IL方法。同时，本文还分析了三种主要的IL稳定性方法：李雅普诺夫稳定性、收缩理论和微分同胚映射。在DSIL的策略改进方法方面，本文涵盖了强化学习、深度强化学习和进化策略。

近期的相关研究包括：《End-to-End Learning of Deep Visuomotor Policies》、《Learning Hand-Eye Coordination for Robotic Grasping with Deep Learning and Large-Scale Data Collection》等。