单样本模仿学习

只给机器人看一次新任务的演示，它就能在新情况下照着完成。

单样本模仿学习要求机器人面对新任务时，只凭一条演示（一段遥操作轨迹或一段视频），就能在物体摆放、初始状态都不同的新局面里完成同样的任务。做法不是拿这一条数据从头训练，而是先在大量任务上训练一个「以演示为条件」的策略：输入演示和当前观测，输出动作。OpenAI 的 Duan 等人 2017 年在积木堆叠任务上提出并命名了这一设定；同年 Finn 等人用 MAML 做元模仿学习，把它扩展到原始图像输入并在真机上验证。后续工作尝试直接用人类视频当演示，这还要跨越人与机器人的本体差异。它本质上是元学习在模仿学习上的应用，与大模型的上下文学习思路相近。

例子Duan 等人的实验里，每个任务是把桌上的积木按某种方式堆叠（如全部叠成一座塔，或两两叠成若干座）；测试时给出一种新堆法的一条演示，网络要在积木初始位置不同的新局面中照样堆出来。

也叫

一次演示模仿学习、One-shot Imitation

相关

元学习、模仿学习、少样本、上下文学习、演示数据、OKAMI

来源

Duan et al. 2017: One-Shot Imitation Learning
Finn et al. 2017: One-Shot Visual Imitation Learning via Meta-Learning