MinInter: Minimizing Trajectory Interpolation During Data Augmentation for Imitation Learning
作者: Qingyang Wang, Xingang Liu, Changwei Yao, Zikai Ouyang, Junwei Liu, Haibo Lu, Wei Zhang
分类: cs.RO
发布日期: 2026-06-23
备注: Accepted by IEEE CASE 2026
💡 一句话要点
提出MinInter以解决模仿学习中的数据增强问题
🎯 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 数据增强 轨迹生成 机器人技术 插值最小化
📋 核心要点
- 现有的轨迹级数据增强方法在插值过程中可能引入非专家过渡段，降低生成数据质量。
- MinInter通过选择需要最少插值的源示范，显著提高合成轨迹的质量，优化数据生成过程。
- 在MimicGen基准的实验中，MinInter在多个任务上提升了数据生成和策略成功率，尤其在复杂场景中效果显著。
📝 摘要（中文）
模仿学习使机器人能够从示范中获取复杂的操作技能，但高质量数据的收集成本限制了其有效性。轨迹级数据增强方法通过在不同初始状态下重新组合专家示范来缓解这一挑战。然而，这些方法通常在不相连的部分之间插入插值或其他非专家过渡段，这可能降低生成数据的质量。本文提出了最小化插值（MinInter），这是一种有效的轨迹选择方法，对于每个采样的初始配置，选择需要最少插值的源示范以形成完整轨迹。通过在数据生成过程中显式最小化插值，MinInter生成更高质量的合成示范，同时与现有数据生成框架兼容。在MimicGen基准的12个操作任务和26个变体上的实验表明，MinInter在数据生成成功率和策略成功率上均有一致提升，尤其在接触丰富、长时间和高方差设置下表现最佳。与近期的SkillGen框架相比，MinInter在策略成功率上取得了更高的成绩，突显了插值最小化在数据增强中的价值。
🔬 方法详解
问题定义：本文解决的是模仿学习中数据增强的有效性问题，现有方法在轨迹生成时常常引入非专家的插值段，导致生成数据质量下降。
核心思路：MinInter的核心思想是通过选择需要最少插值的源示范，来生成完整的轨迹，从而提高合成示范的质量，减少非专家过渡段的影响。
技术框架：MinInter的整体架构包括轨迹选择模块和数据生成模块。轨迹选择模块负责评估不同源示范的插值需求，而数据生成模块则基于选择的轨迹生成合成示范。
关键创新：MinInter的主要创新在于其插值最小化策略，这一策略与现有方法相比，能够更有效地生成高质量的合成数据，避免了不必要的非专家插值段。
关键设计：在设计中，MinInter采用了特定的插值评估标准，并结合了现有数据生成框架，确保了与其他方法的兼容性，同时优化了生成过程的效率。
🖼️ 关键图片
📊 实验亮点
在MimicGen基准的实验中，MinInter在12个操作任务上实现了数据生成成功率和策略成功率的显著提升，尤其在接触丰富和高方差的设置中，成功率提升幅度最大，显示出其在复杂场景下的优越性。
🎯 应用场景
该研究在机器人操作、自动化制造和人机交互等领域具有广泛的应用潜力。通过提高模仿学习的效率，MinInter能够帮助机器人更快地掌握复杂技能，降低数据收集成本，推动智能机器人技术的发展。
📄 摘要（原文）
Imitation learning enables robots to acquire complex manipulation skills from demonstrations, but its effectiveness is limited by the cost of collecting high-quality data. Trajectory-level data augmentation methods alleviate this challenge by recombining expert demonstrations under varied initial states. However, such methods typically insert interpolations or other non-expert transition segments between disjoint parts, and such non-expert segments could reduce the quality of the generated data. This paper introduces Minimizing Interpolation (MinInter), an effective trajectory selection method that, for each sampled initial configuration, chooses the source demonstration requiring the least interpolation to form a complete trajectory. By explicitly minimizing interpolations during data generation, MinInter produces higher-quality synthetic demonstrations while remaining compatible with existing data generation frameworks. Experiments on 12 manipulation tasks with 26 variants from the MimicGen benchmark show that MinInter consistently improves both data generation success rates and policy success rates, with the largest gains on contact-rich, long-horizon and high-variance settings. Compared to the recent SkillGen framework, MinInter achieves higher policy success rates despite its conceptual simplicity, underscoring the value of interpolation minimization for data augmentation.