I3L：面向全身移动操作的迭代交互模仿学习系统

I3L 是一套结合硬件与学习的系统，用全身纠错与迭代策略精炼缓解离线模仿学习策略在长程全身移动操作中的分布外退化。其低成本开源 JoyLo+ 接口通过策略跟踪主臂与触控接管，实现对臂、躯干和底座的协同纠错，并支持迭代部署与重训练以针对更新策略的失败。作者在三种机器人本体、八个仿真与真实任务（含四个长程全身移动操作任务）上评估，受控仿真显示四轮 HG-DAgger 在两个任务上最终成功率最高；该协议下 I3L 相比基础策略平均提升自主成功率 68.3 个百分点，每个任务至少达到 90%，在相同训练轨迹数下比仅用示范训练平均高 35.6 个百分点，四轮后每回合接管时长平均下降 72%。