VFILC: Accurate Frequency Extrapolations in Imitation Learning via Sampling Frequency ILC

📄 arXiv: 2606.20056v1 📥 PDF

作者: Nozomu Masuya, Toshiaki Tsuji, Sho Sakaino

分类: cs.RO

发布日期: 2026-06-18

备注: 8 pages, 17 figures. Accepted at IROS 2026

💡 一句话要点

提出VFILC以解决模仿学习中的频率外推问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 模仿学习 频率外推 迭代学习控制 神经网络 机器人控制 动态环境 运动精度

📋 核心要点

  1. 现有的模仿学习方法在处理变速运动时存在频率外推不准确的问题，导致生成的运动不可预测。
  2. 本文提出的VFILC方法结合了变频模仿学习和迭代学习控制，通过反馈机制有效调整频率误差。
  3. 实验结果显示，VFILC在多项任务中显著提高了外推速度的准确性，反馈机制有效降低了频率误差。

📝 摘要（中文）

传统的基于神经网络的模仿学习方法在变速运动中要么限制在插值速度，要么在超出训练速度范围时产生不可预测的运动。变频模仿学习（VFIL）通过将神经网络模型的采样频率与运动频率关联，实现了速度的外推。然而，其开环配置在高频外推时导致频率误差。本文提出了基于变频模仿学习与迭代学习控制（ILC）相结合的变频模仿学习控制（VFILC），通过前馈和反馈部分来调整频率误差。实验结果表明，该方法在三项任务中成功且准确地外推运动速度，并显著减少频率误差，反馈部分在擦拭任务中减少了81%的频率误差，在摇晃任务中减少了50%。

🔬 方法详解

问题定义：本文旨在解决现有模仿学习方法在变速运动中频率外推不准确的问题，尤其是在超出训练速度范围时产生的不可预测运动。现有的变频模仿学习方法虽然能够实现速度外推，但在高频设置下频率误差显著。

核心思路：论文提出的VFILC方法通过结合变频模仿学习和迭代学习控制，利用前馈部分进行速度外推，同时通过反馈部分调整频率误差，从而提高外推的准确性。

技术框架：VFILC的整体架构包括前馈和反馈两个主要模块。前馈部分基于VFIL进行速度外推，反馈部分则通过实时调整来修正频率误差，形成闭环控制。

关键创新：VFILC的最大创新在于引入了反馈机制来减少频率误差，这一设计与传统的开环控制方法形成了鲜明对比，显著提高了外推的准确性。

关键设计：在实现过程中，VFILC采用了特定的损失函数来优化频率调整，网络结构设计上结合了前馈神经网络与反馈控制策略，以确保在复杂运动任务中保持高精度。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，VFILC在三项任务中成功外推运动速度，反馈机制在擦拭任务中减少了81%的频率误差，在摇晃任务中减少了50%。此外，在接触丰富的混合任务中，VFILC的准确性比VFIL提高了27%。

🎯 应用场景

该研究在机器人控制、自动驾驶、虚拟现实等领域具有广泛的应用潜力。通过提高模仿学习的准确性，VFILC可以帮助机器人更好地适应动态环境，执行复杂的任务，提升人机交互的自然性和流畅性。未来，该方法可能推动智能系统在多变环境中的应用，增强其自主学习能力。

📄 摘要（原文）

Conventional neural network (NN)-based imitation learning methods for variable-speed motion either restricted their scope to interpolated speeds, or generated unpredictable motions when extrapolating beyond trained velocity ranges. Variable-frequency imitation learning (VFIL) enabled extrapolations of speeds by linking the NN model's sampling frequency to the motion frequency, whereas its open-loop configuration caused frequency errors, especially in the extrapolated high-frequency settings. This study proposes variable-frequency imitation learning with iterative learning control (VFILC) based on a combination of VFIL and iterative learning control (ILC) with both feedforward and feedback parts, the former taking advantage of VFIL and the latter adjusting the frequency errors. The experimental results showed that the proposed method successfully and accurately extrapolated motion speeds and reduced frequency errors in all three tasks, and that the feedback especially reduced the frequency errors by a remarkable 81% in the wiping task and 50% in the shaking task, both compared to simple feedforward VFIL, when extrapolating at double the average speed in the training data. The proposed method also improved accuracy by 27% compared with VFIL even at an interpolated frequency for a contact-rich mixing task affected by complex friction traits.