ATK：面向鲁棒策略学习的自动任务驱动关键点选择

基于摘要分析。该研究针对机器人视觉运动模仿学习中训练与评估环境的视觉差异导致策略性能下降的问题，提出 ATK，自动选择能够预测任务最优行为的二维关键点，以尽可能精简的任务相关状态表示支持鲁棒策略学习，应用于仿真到现实迁移及真实环境模仿学习。 其核心机制是将图像坐标系中具有空间一致性的二维关键点作为状态表示，并根据任务需求进行选择，而不是直接依赖原始传感器输入或需要任务专用跟踪的 6D 位姿估计。作者将仿真专家策略或人类专家提供的数据蒸馏为使用 RGB 图像并跟踪所选关键点的策略，同时借助预训练视觉模块完成关键点跟踪。具体选择目标、最小集合约束、优化方式及预训练模块名称尚未验证。 作者报告，在多种机器人任务中，这类精简关键点表示提高了对视觉扰动和环境变化的鲁棒性；摘要涉及透明物体、精细操作及场景外观显著变化等感知挑战。但材料未提供任务清单、数据规模、训练与评估划分、对照基线或定量指标，实验协议、消融及统计信息尚未验证。复现时需核对关键点候选生成与筛选流程、专家数据来源、跟踪误差及策略性能之间的关系。 本文主要研究对象是机器人视觉控制，并非 EEG 或 BCI。其机制依赖图像空间中的可跟踪关键点与专家行为监督，不能直接等同于 EEG 通道或时序特征选择；目前材料不足以建立具体迁移路径，已有 EEG 相关工作尚未检索确认。