IL：Imitation Learning，CP：Capture Motion

模仿学习：动作采集与捕捉方法（分类 + 原理 + 优缺点）

模仿学习（IL, Imitation Learning）核心目标：从人类演示（demonstration）中获取状态 - 动作对 ((s,a))，训练策略 (\pi(a|s))。
动作捕捉按采集对象分为两大类：人类动作捕捉（人演示）、机器人遥操作采集（人控制机器人演示）；
按信号类型：关节空间动作 / 笛卡尔空间末端动作 / 原始传感器动作。

一、人类动捕（Human Demonstration，人直接做动作，再映射到机器人）

1. 光学动作捕捉（Optical MoCap）

原理：环境布置红外相机，人身上粘贴反光标记点（Marker），多相机三角测量，实时解算人体骨骼关键点三维坐标；后通过运动学映射，把人体姿态转换为机器人关节 / 末端动作序列。
典型设备：Vicon、OptiTrack、MotionAnalysis。
优点

1. 空间定位精度极高（亚毫米级），时间同步稳定，轨迹平滑；
2. 可获取全身骨骼 6D 位姿（位置 + 旋转）；
3. 离线采集质量高，适合做高质量演示数据集；

缺点

1. 部署成本高，需要专用标定场地，环境受限（不能强光、遮挡）；
2. 只能在固定实验室空间，无法现场采集；
3. 标记点易脱落、遮挡失效；
4. 运动映射问题：人体与机器人运动学结构不一样，人体动作≠机器人可行动作，需要逆运动学 + 运动重定向，容易出现自碰撞、关节超限；
5. 无法直接采集力觉交互信息，只有几何姿态。

2. 惯性动作捕捉（IMU MoCap，可穿戴惯性动捕）

原理：穿戴式 IMU 传感器（陀螺仪 + 加速度计 + 磁力计）绑在肢体上，通过姿态解算得到每个肢体的旋转，融合得到人体骨骼姿态；不依赖外部相机。
典型设备：Xsens、诺亦腾。
优点

1. 无线可移动，不受场地限制，户外 / 现场都能采集；
2. 布置简单，不需要搭建相机阵列；
3. 无遮挡问题（不像光学动捕被物体挡住 Marker）；

缺点

1. 存在漂移，长时间采集累积姿态误差；
2. 绝对位置精度差，只能较好得到姿态，三维位置估算弱；
3. 穿戴繁琐，传感器需要逐个标定；
4. 同样存在人体→机器人运动重定向难题；
5. 噪声比光学动捕大，需要滤波。

3. 视觉无标记动作捕捉（Markerless Vision-based MoCap）

原理：单目 / 多目 RGB/RGBD 相机，用视觉模型（MediaPipe、OpenPose、DROID、Human3D）直接从图像预测人体 2D/3D 关键点，不需要贴 Marker。
优点

1. 零穿戴，采集最简单，普通人直接演示；
2. 硬件成本低，普通 RGB/D 深度相机即可；
3. 部署快，适合快速批量采集演示；

缺点

1. 遮挡敏感，物体挡住肢体时预测崩坏；
2. 3D 关键点精度低，深度噪声大；
3. 容易出现姿态歧义（单目深度模糊）；
4. 输出人体骨骼依然需要运动重定向到机器人，映射误差大；
5. 动态快速动作下预测延迟、抖动。

小结：人类动捕大类共性短板：采集的是人的动作，不是机器人在真实环境交互的动作。人和机器人动力学、工作空间不一样，演示存在域偏移，直接拿来训练机器人策略效果差。适合动作轨迹形态学习，不适合需要物理交互（抓取、接触力）任务。

---

二、遥操作示教（Teleoperation，人控制机器人本体做演示，直接采集机器人动作）

这是机器人模仿学习最主流方案：人通过主端控制器控制从端机器人运动，直接记录机器人自身传感器：关节角度、末端位姿、力 / 力矩，得到机器人真实环境下 ((s,a)) 演示轨迹。不存在人体→机器人重定向。

4. 主从力反馈遥操作（Haptic Master-Slave / 力控主手）

原理：主操作手（力反馈设备），人手握持主手，主手采集人手笛卡尔指令；主手可以反馈从端机器人受到的接触力；从端机器人跟随主手运动，记录机器人关节 / 末端动作、力信号。
设备：Geomagic、Omega、Falcon，工业主从机械手。
优点

1. 直接采集机器人动作，无需运动重定向，演示就是机器人自身可行轨迹；
2. 带力反馈：人能感知机器人和环境碰撞、接触，适合装配、柔性物体交互；
3. 可以记录完整交互力数据，对接触类模仿学习至关重要；
4. 示教轨迹自然，适合精细操作（插销、拧螺丝）；

缺点

1. 力反馈主手昂贵；
2. 主从工作空间缩放问题：主手空间小，机器人工作空间大，需要空间映射；
3. 存在时延，高速动态操作时不稳定；
4. 操作门槛高，操作员需要训练；
5. 不适合大范围移动机器人（底盘巡检这类），更适合机械臂操作任务。

5. 零力拖动示教（Lead-through / Hand Guiding，直接拖拽机器人本体）

原理：机器人开启重力补偿、零力模式，人手直接握住机器人末端，手动拖拽机械臂运动；机器人内部关节编码器直接记录关节轨迹作为演示动作。工业机器人非常常用。
优点

1. 上手最简单，不需要额外外设；人手直接拖动机器人，直观；
2. 采集的是机器人原生关节数据，无映射误差；
3. 可感知接触约束，适合静态操作任务；

缺点

1. 只能低速采集，高速拖拽不安全；
2. 大负载机器人拖拽费力；轻量机器人容易抖动；
3. 人手施加外力会混入动作噪声；
4. 很难精细控制交互力，人很难稳定维持恒定接触力；
5. 不适合移动机器人底盘示教。

6. 外设遥操作（游戏手柄 / 空间鼠标 / 6D 鼠标）

原理：人使用普通 6DOF 空间鼠标、游戏手柄、VR 控制器输出笛卡尔速度 / 位置指令，控制机器人，记录机器人状态动作。VR 手柄（Quest/Pico）属于这类。
优点

1. 硬件便宜，部署极快；VR 手柄还可以沉浸式可视化机器人场景；
2. 适合移动机器人、机械臂粗粒度示教；

缺点

1. 无力反馈，操作员无法感知机器人与环境碰撞，容易撞机；
2. 输入是离散指令，轨迹抖动；
3. 6D 自由度控制难度大，操作员很难做出平滑精细操作轨迹；
4. 演示质量高度依赖操作员熟练度，演示样本方差大。

7. 键盘 / 触控界面示教（点位示教）

原理：键盘 / 平板点选，逐点设定机器人目标点位，机器人插值生成轨迹；记录点位序列作为演示。传统工业机器人示教器。
优点：稳定、安全，点位精准。
缺点：只能离散点位，很难得到连续平滑动作；不适合动态连续操作模仿学习；适合点位任务，不适合 IL 连续策略训练。

---

三、仿真环境内演示采集（Virtual Demonstration）

8. 仿真内人机交互示教（Gazebo/MuJoCo/Isaac Sim 虚拟体）

原理：在仿真引擎中，人通过鼠标、VR 手柄控制虚拟机器人，直接采集仿真内机器人关节、状态、动作、接触力数据，生成演示数据集。
优点

1. 零硬件损耗、无碰撞风险，可以大规模并行采集演示样本；
2. 可以直接读取仿真底层物理量（接触力、物体速度）；
3. 低成本大批量生成演示，适合预训练；

缺点

1. Sim2Real gap：仿真演示动力学、接触模型和真实世界不一致；在仿真上学好的策略真机表现退化；
2. 人在仿真中操作感知缺失，和真实环境交互体验不一样，演示行为本身就和真机演示有差异。

---

四、被动观测演示（没有动作指令采集，只有视觉观测，需要反推动作）

9. 视觉观测逆动作估计（Only video，无动作真值）

原理：只有演示视频，没有采集动作信号；通过视觉模型逆推状态与动作，属于无演示动作标签的模仿学习（如逆动力学、视觉行为克隆）。
优点：只需要视频，数据获取门槛最低，可以用互联网视频；
缺点：

1. 动作是估计值不是真值，存在巨大估计误差；
2. 存在动作歧义：同一视频画面，可能对应多种可行机器人动作；
3. 很难获取力交互信息；

适用场景：视频预训练，不适合高精度机器人操作任务。

汇总对比

表格

采集方式	动作来源	核心优势	核心短板	适用 IL 任务
光学动捕	人体动作再映射	人体姿态精度高	部署贵、遮挡、运动重定向	人体运动、非接触动作
IMU 可穿戴动捕	人体动作再映射	场地自由	姿态漂移、位置差	移动人体动作采集
无标记视觉动捕	人体动作再映射	低成本免穿戴	遮挡敏感、精度低	快速粗样本采集
力反馈主从遥操作	机器人原生动作	带力反馈，交互任务质量高	设备昂贵、操作门槛高	机械臂接触操作、装配
零力拖动示教	机器人原生动作	最简单，无额外硬件	低速、力控制差	机械臂静态抓取搬运
VR / 游戏手柄遥操作	机器人原生动作	低成本、沉浸式	无力反馈，轨迹抖动	移动机器人、粗操作
仿真内示教	虚拟机器人动作	安全、大批量	Sim2Real 域差	预训练、算法验证
纯视频逆推动作	视觉反推动作	数据易得	动作不是真值、歧义大	基础视觉行为克隆

工程选择建议

1. 机械臂接触交互任务（抓取、装配）：优先【力反馈主从遥操作】或【零力拖动示教】，直接采集机器人动作，避免人体动作映射带来的重定向误差。
2. 移动机器人（巡检底盘）：VR 手柄 / 空间鼠标遥操作，或者仿真批量采集；移动机器人很少用人体动捕。
3. 快速构建数据集、算法验证：仿真内示教；真机最终调优还是要真机演示。
4. 尽量避免：人体动捕直接作为机器人 IL 演示源，人体和机器人运动学差异带来的重定向误差，是行为克隆失败常见坑。