最近调研了一下Robot Learning领域的热门文章，总结下来，有两个很看好的方向。二者都是基于Imitation Learning，分歧在于需不需要RL+仿真训练。
Imitation Learning(IL)
方法 ：通过人类的遥控或示教，采集机器人轨迹-感知数据对。直接学习数据对的分布，训好后根据感知状态来生成新轨迹。
优势 ：无需RL，没有embodiment gap。
缺点 ：由于没有RL，性能不可能超过人类遥控机器人所能达到的性能。而很多任务实际上是通过遥控/示教难以实现的，比如人形机器人的奔跑跳跃等动态平衡问题，以及与动态物体的交互。
个人观点 ：能实现低动态低反馈的大部分任务，比如抓取类。对硬件要求低（一个移动底座+机械臂+平行夹爪即可）。容易与多模态大模型结合，最近大厂的高质量工作层出不穷。预计几年内能实现初步的商业化，比如处理家务，超市上下货等等。
相关工作 ：
IL+Reinforcement Learning+Sim2Real
方法 ：通过动作捕捉得到一系列参考数据，retarget到机器人模型上，在物理仿真环境训练机器人模仿参考动作，以实现各类任务。
优势 ：RL提供了探索能力，上限可以超越人类和参考数据。
缺点 ：Sim2Real存在embodiment gap。
个人观点 ：擅长做高动态的敏捷控制，例如奔跑和后空翻。对硬件要求高。在机器狗领域很流行。对于未来的人形机器人潜力很大。
相关工作 ：
