近日，一篇发表在IEEE CASE 2026上的论文提出了MinInter（Minimizing Interpolation）方法，旨在通过最小化轨迹插值来改进模仿学习中的数据增强。模仿学习使机器人能够从示范中获取复杂操作技能，但高质量数据的收集成本高昂。轨迹级数据增强方法通过重新组合不同初始状态下的专家示范来缓解这一问题，但传统方法会插入非专家轨迹段，降低生成数据质量。为此，研究团队提出了一种创新的轨迹选择策略——MinInter。其核心思想是：对于每个采样的初始配置，从候选源示范中挑选出需要最少插值即可形成完整轨迹的那一个。通过明确最小化数据生成过程中的插值操作，MinInter能够生成更高质量的合成示范，同时保持与现有数据生成框架的良好兼容性。研究者在MimicGen基准的12个操作任务（共26个变体）上进行了全面实验。结果显示，MinInter在数据生成成功率和策略成功率上均有一致提升，尤其在接触密集、长周期和高方差场景中增益最大。与近期流行的SkillGen框架相比，MinInter尽管概念更简单，却取得了更高的策略成功率，这凸显了插值最小化在数据增强中的关键价值。该论文已被IEEE CASE 2026接收，相关代码和数据将很快发布。MinInter为机器人学习中的数据增强提供了一种高效且实用的新思路，有望推动模仿学习在实际应用中的进一步发展。
MinInter：在模仿学习的数据增强中最小化轨迹插值
文章摘要
本文提出MinInter方法，通过选择需要最少插值的示范轨迹来生成更高质量的合成数据，从而提升模仿学习的性能。在MimicGen基准的12个任务上，MinInter显著提高了数据生成成功率和策略成功率，尤其在接触密集、长周期和高方差场景中表现突出。
来源arXiv Robotics作者: Qingyang Wang, Xingang Liu, Changwei Yao, Zikai Ouyang, Junwei Liu, Haibo Lu, Wei Zhang
MinInter：在模仿学习的数据增强中最小化轨迹插值