几何熵：轨迹多样性对模仿学习的帮助和伤害

我们研究演示中的轨迹形状多样性如何影响跨模型、任务和数据规模的模仿学习（IL）性能。我们引入了几何熵（H_G），这是一种与任务无关的度量，它通过目标帧对齐标准化外在变化（例如目标姿态和工作空间尺度）后量化传输轨迹的内在多样性。在多个 IL 架构以及模拟和真实机器人接触丰富的操作任务中，我们观察到成功与 H_G 之间一致的倒 U 关系：增加几何多样性可以提高低多样性状态下的鲁棒性，但一旦多样性导致策略模糊，就会降低性能。此外，随着任务掌握程度通过更多数据、更简单的任务或更强的先验而增加，最佳熵会向更低的值转变，并且对于预训练的视觉-语言-动作模型，该趋势实际上变得单调递减。实际上，H_G 可以对演示数据集进行快速 预训练 审核，并提供一个简单的指南来校准可学习机制的演示。