DynamicManip: Enabling Dynamic Manipulation from a Single Static Demonstration

DynamicManip 论文针对机器人动态操作学习中的两大挑战——动态场景的组合复杂性导致的数据需求巨大，以及动态快速变化对实时准确策略执行的要求——提出了解决方案。方案包括三部分：静态到动态的数据增强流程，从单个静态演示合成多样化的动态操作演示；动态感知的自适应策略，根据任务动态调整推理频率；以及包含自动评估系统的动态操作基准。实验在仿真和真实世界中验证了方法的有效性。

DynamicManip 的核心技术贡献在于将静态演示转化为动态演示的数据增强流程，这降低了动态操作数据采集的成本。其自适应推理频率策略意味着策略执行不是固定频率，而是根据任务动态调整，这为实时控制提供了新的思路。基准和自动评估系统的建立有助于标准化动态操作任务的评测。