KOI：通过混合关键状态引导加速在线模仿学习

基于摘要分析。该研究面向机器人在线模仿学习中探索空间大、专家轨迹有限的问题，提出混合关键状态引导方法 KOI，以语义和运动两类关键状态改善任务感知的模仿奖励估计。其主要研究对象是机器人任务学习，而非 EEG 解码或 BCI。 方法将任务分解为“做什么”和“如何做”：先利用视觉语言模型对专家轨迹进行分段，提取表征任务目标的语义关键状态；再在语义关键状态之间利用光流捕捉运动关键状态，描述目标之间的动作过程。两类信息共同用于改进轨迹匹配奖励，进而引导在线探索。其可核对的方法特点是同时利用高层语义与低层运动线索，而不是仅依赖单一层次的轨迹匹配；具体奖励公式、关键状态筛选规则及模型训练方式尚未验证。 作者报告，在 Meta-World 和 LIBERO 环境中，KOI 的样本效率优于其对照的既有先进方法，并通过真实机器人操作实验验证了方法有效性。摘要未提供具体任务、专家轨迹数量、交互预算、基线名称、指标数值及统计不确定性，因此无法量化优势或判断不同任务间的一致性；实验协议、消融及统计信息尚未验证。 复现时需核对视觉语言模型及其提示配置、光流提取方式、轨迹匹配与奖励计算实现，以及在线交互和专家数据的预算约束。摘要中的认知神经科学启发不构成神经信号实验或 BCI 有效性证据；现有材料不足以建立具体的 EEG 迁移路径，不据此提出迁移效果判断。