TSD: A Physics-Inspired Trajectory Saliency Detector for Efficient Imitation Learning
作者: Yiming Zhao, Gongrui Ma, Qingkai Li, Mingguo Zhao
分类: cs.RO
发布日期: 2026-06-22
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
提出物理启发的轨迹显著性检测器以解决模仿学习数据稀缺问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 模仿学习 轨迹显著性 数据集压缩 机器人操作 物理基础指标
📋 核心要点
- 现有的模仿学习方法在机器人操作中面临高数据收集成本，导致高质量数据稀缺的问题。
- 论文提出了轨迹显著性检测器（TSD），通过物理基础指标识别关键轨迹，以提高数据利用效率。
- 实验结果显示，使用TSD压缩的数据集训练的模型在数据量减少25%的情况下，性能与原模型相当或更优。
📝 摘要（中文）
在机器人操作的模仿学习中，高数据收集成本导致高质量数据稀缺。本文利用轨迹的内在异质性来应对这一挑战。我们将动作分为过渡、精确和敏捷三种类型，后两者被定义为轨迹显著性，因为它们对任务成功至关重要。为此，我们提出了轨迹显著性检测器（TSD），这是一个无训练且即插即用的框架，用于识别轨迹显著性。TSD采用空间熵和向心加速度两个物理基础指标。我们进一步利用TSD开发了一种数据集压缩方法和一种数据集扩展策略，以提高数据收集效率。实验结果表明，基于TSD压缩数据集训练的模型在数据量减少25%的情况下，性能可比或优于原模型。
🔬 方法详解
问题定义：本文旨在解决机器人操作中模仿学习的数据稀缺问题，现有方法在高数据收集成本下难以获取高质量数据。
核心思路：通过对轨迹的异质性分析，将动作分为过渡、精确和敏捷三种类型，重点关注精确和敏捷动作的显著性，从而提高数据的有效性。
技术框架：TSD框架包括两个主要模块：空间熵用于捕捉细粒度的操作，向心加速度用于检测敏捷动作。该框架设计为无训练和即插即用，便于集成到现有系统中。
关键创新：TSD的创新在于引入物理基础的显著性指标，区别于传统方法依赖于数据驱动的特征提取，提供了一种新的数据选择标准。
关键设计：在设计中，空间熵和向心加速度作为关键参数，确保能够有效识别出对任务成功至关重要的轨迹，同时保持计算效率。整个框架不需要额外的训练过程，降低了实施成本。
🖼️ 关键图片
📊 实验亮点
实验结果表明，基于TSD压缩的数据集训练的模型在数据量减少25%的情况下，性能与原模型相当或更优，验证了数据集压缩和扩展策略的有效性，显示出TSD在提高数据利用效率方面的显著优势。
🎯 应用场景
该研究的潜在应用领域包括机器人操作、自动化制造和人机协作等。通过提高数据收集效率和降低成本，TSD为机器人学习提供了一条可扩展且经济高效的路径，未来可能推动更广泛的智能机器人应用。
📄 摘要（原文）
For imitation learning in robotic manipulation, high data collection costs result in the scarcity of high quality data. In this paper, we leverage the inherent heterogeneity of trajectories to address this challenge. Based on our observations of manipulation tasks, we categorize motions into transitional, precise, and agile types, defining the latter two as trajectory saliency due to their criticality to task success in contrast to the prevalent but less relevant transitional motions. Therefore, we propose the Trajectory Saliency Detector (TSD), a training-free and plug-and-play framework to identify trajectory saliency. TSD employs two physically-grounded metrics: spatial entropy to capture fine-grained manipulation and centripetal acceleration to detect agile maneuvering. We further leverage TSD to develop a dataset compression method that reduces training costs and a dataset expansion strategy that improves data collection efficiency. Extensive experiments in both simulation and real-world settings demonstrate that models trained on TSD-condensed datasets achieve comparable or even superior performance with 25% less data on average. These results validate the effectiveness of our dataset compression and expansion strategies, thereby confirming the utility of TSD. Consequently, TSD offers a scalable and cost-effective pathway to synthesize information-dense datasets for efficient robot learning. Project page: https://trajectory-saliency-detector.github.io/trajectory-saliency-detector/