内容摘要
仿真中依赖特权状态训练的操作策略，部署时需改用相机等不完整观测。常见师生蒸馏让学生同时学习状态推断和专家已有的动作映射。本文作者研究另一条路径：冻结并复用专家，只学习缺失状态的视觉估计器，避免重新学习控制映射。
方法结合直接状态监督与穿过冻结可微专家反向传播的动作一致性损失。训练先建立有物理意义的状态估计，再逐步提高动作损失权重，关注会影响控制输出的估计误差。在相同专家示范语料、相同训练预算下，混合损失估计器在五项目标条件操作任务中均优于所比较的直接像素到动作模仿基线；但各方法的数据筛选与正则化不同。TrayPlate成功率由仅状态监督的28.9%升至64.1%，AllegroCube上则未改善。
真机采用另行进行视觉域随机化训练的PandaCube策略，不重训底层专家；25次评测中完成19次，成功率为76%，每次限时40秒。另有两次触发关节限位安全检查后重启，若计作失败则为70.4%。仿真主比较关闭域随机化，结果应限定于论文所测任务与协议。
点评
作者实验支持将感知学习与既有控制器复用分开：状态估计不仅要接近真值，也可按其对下游动作的影响优化；收益及损失权重仍依赖任务。
比较针对匹配训练预算而非收敛性能；部分模仿基线仅单种子，作者不对其声称显著性。真机证据限于PandaCube，不能外推通用操作能力。
版本与核查范围
版本 2609.34018v1 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 #abstract1.1；#S1.p3.1；#abstract1.1；#S1.I1.i1.p1.1；#S5.SS1.p1.1；#S5.SS3.SSS0.Px3.p1.1；#S5.SS2.p2.1；#S4.SS4.p1.1；#S6.p2.1；#S5.SS4.p1.1；#S5.T4.3；#S4.SS3.p1.1