模仿学到的是动作规律，不是面对所有意外的经验

示范必须包含模型执行时能使用的线索

学骑车的人不能只背老师每一秒转了多少度：自己的速度和位置稍有不同，同样的转向就可能产生不同后果。机器人模仿学习也是如此。它需要根据当前观察选择动作，而不是机械回放一条录制轨迹。

模仿学习（Imitation Learning）用专家行为提供学习信号。最直接的方法是行为克隆（Behavior Cloning，BC）：把示教中的观察、任务目标和动作组成监督学习样本。观察可以包含相机图像、关节状态和历史帧；动作必须明确是目标关节角、末端位移还是其他控制接口。

训练时看到未来图像、部署时却只能看到当前图像，会造成信息泄漏。专家靠手感调整夹持力，但模型只看到遮挡严重的单张图像，也可能缺失完成任务所需的信息。此时继续增加同样的成功视频，未必能补上触觉、视角或历史记忆的缺口。

小误差为什么会把机器人带离示范

专家抓取时夹爪总在物体正上方，训练图像自然集中在那里。模型第一次偏了几毫米，下一帧看到的物体就偏向画面边缘；再按陌生画面预测，可能继续偏。这里不是输入数据被随机抽样，而是策略自己的动作参与决定后续输入。

用一个简化模型感受长任务的要求：假设每一步独立地有 99% 概率满足某个必要条件，且任何一步违反就失败，100 步全部满足的概率是 0.99¹⁰⁰≈36.6%。这不是行为克隆的真实成功率公式——机器人误差会相关、可恢复，也会改变后续难度——只是说明“单步看起来很准”不足以支持长流程结论。

另一个问题是多解：同一障碍可以从左绕或从右绕。若两类示范数量相当，确定性平方误差回归可能偏向二者平均，而平均路线恰好撞向障碍。先检查任务条件和历史是否缺失，再考虑概率模型、动作序列或多模态分布；不能把所有失败都归结为模型不够大。

纠正数据应覆盖策略真正遇到的状态

2011 年的 DAgger（Dataset Aggregation，数据集聚合）提出一种交互式思路：让当前策略产生访问状态，再向专家查询这些状态下应该做什么，把标注加入累计数据集重新训练。它针对的是“训练分布只由专家决定”的缺口，而不是简单多录几条正常成功轨迹。原论文。

失败轨迹不能不加区分地当正例：碰撞前的错误动作若被标成“应当模仿”，反而强化错误。失败数据可以用于发现分布缺口、训练失败检测，或配上专家纠正动作。实际人工接管数据也并不自动等于完整 DAgger：是否标注全部访问状态、怎样混合和怎样更新，都会影响方法及其理论条件。

看真实系统，要同时看采集方式与验证范围

ALOHA（A Low-cost Open-source Hardware System for Bimanual Teleoperation，低成本开源双臂遥操作硬件系统）在 2023 年把遥操作与动作学习结合起来。其 ACT（Action Chunking with Transformers，使用 Transformer 的动作分块）预测一段动作，而非孤立一步；项目页展示每任务 50 条示范、物体沿 15 cm 参考线随机化的实验设置。它是限定分布下的真实案例，不是“几十条数据可学任意任务”的依据。项目与实验说明。

对“指定物体入盒”项目，第一版先固定本体、相机与动作定义，再改变物体初始位置；第二版加入遮挡与抓取偏差的纠正示范。至少分别报告离线动作误差、闭环完成率、人工接管次数、碰撞/异常接触和恢复表现。测试时悄悄帮助摆正物体，也应计入干预，而不能算完全自主完成。

模仿学习是学习信号的来源，VLA（Vision-Language-Action，视觉语言动作模型）是输入输出与模型组织范式：VLA 完全可以通过模仿学习训练。扩散策略和 ACT 也可学习同一批示教，它们主要改变动作分布与时间结构的表达，不会消除数据质量问题。

把这一层放回完整机器人

返回具身智能知识地图，或沿本专栏继续展开：

• 动作表示：模型究竟在预测什么：关节、末端位姿、增量与动作序列。
• 扩散策略：生成动作而不是图片：条件去噪、动作分块与滚动执行。
• 视觉语言动作模型：从听懂到动手：视觉、语言与动作接口，以及泛化的证据边界。