通过触觉表征预训练实现基于示范的力驱动动作少样本学习

基于摘要分析。本文研究机器人接触密集型操作中，如何减少昂贵的人类示范，同时使基于力感知的动作适应未见物体的物理属性。作者提出半监督 Learning from Demonstration（LfD）方法，将模型拆分为触觉表征编码器与动作生成解码器，利用大量无标注数据预训练编码器，再以少样本示范训练解码器。 其核心思路是将物体物理属性的表征学习与示范驱动的动作学习解耦。验证任务是使用不同刚度、不同表面摩擦特性的海绵进行擦拭。作者报告，相较不进行预训练的 LfD 方法，预训练改善了模型对物理属性的识别，以及针对未见海绵生成目标擦拭动作的能力。作者还报告在 KUKA iiwa 机械臂上验证了生成动作，并验证仿真中预训练的触觉编码器能够捕捉真实物体属性。摘要未给出示范数量、数据规模、划分方式、具体指标或提升幅度，网络结构、训练目标、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 方法研究借鉴的是“无标注表征预训练与少样本下游学习解耦”，而非擦拭控制本身。假设预训练能够保留任务相关信息，该思路可能有助于降低 EEG 解码的标注需求；但需将触觉输入编码及动作生成模块改造为 EEG 时空编码与任务解码。机器人力反馈中的物理属性结构未必对应 EEG 的神经活动结构，低信噪比、跨被试差异、通道变化及小样本微调均可能使收益消失。可检验的小实验是在固定被试内划分与相同标注预算下，对比预训练编码器和随机初始化编码器的同一解码任务，严格隔离测试数据。本文未提供 EEG/BCI 实验，相关既有 EEG 工作尚未检索确认。