人类善于模仿。我们和其他动物通过观察行为进行模仿，了解其对环境状态的感知影响，并找出我们的身体可以采取哪些行动来达到类似的结果。模仿学习是机器人学习任务的有力工具。但是在这样的上下文感知任务中，很难使用强化学习来指定奖励函数。DeepMind最新的论文主要探讨了仅从第三人称视角模仿操作轨迹的可能性，而不依赖于动作状态。该团队的灵感来自模仿视觉演示复杂行为的机器人操纵器。DeepMind提出的方法主要分为两个阶段：1.提出一个与操作者无关的表示（MIR，Manipulation-IndependentRepresentations），即无论是机械手、人手还是其他设备，都保证这个表示可用于后续任务的学习2.使用强化学习学习动作策略。独立于操纵器的表示。领域适应性问题是机器人仿真现实中最关键的问题，即解决视觉仿真与现实的差异问题。1、随机使用各种类型的机械手，使用各种模拟环境来模拟现实世界。2.增加拆下机械臂后的观察结果。3.Temporally-SmoothContrastiveNetworks（TSCN，时间平滑对比网络），相比于TCN，在softmax交叉熵目标函数中加入了一个分布系数p，使得学习过程更加平滑，尤其是在跨域的情况下.强化学习MIR用于表示对空间的需求是可操作的，即可以用于强化学习，表示为具体的动作。一种解决方案是使用目标条件策略来训练当前状态o和目标状态g作为输入。本文提出了一种扩展方法，跨域目标条件策略，输入当前状态o和跨域目标状态o'，并最小化达到目标的动作数。数据与实验研究团队针对8种环境和场景（规范模拟、隐形手臂、随机手臂、随机域、JacoHand、真实机器人、手杖、人手）进行实验，评估通过未知机械手模拟无约束操作轨迹的性能.表现。他们还使用了一些基线方法，例如朴素目标条件函数(GCP)和时间距离。MIR在所有测试域中都取得了最好的性能。它在堆叠成功方面表现得更好，并且在模拟JacoHand和InvisibleArm时表现出色，得分为100%。本研究证明了视觉模仿表征在视觉模仿中的重要性，并验证了操作独立表征在视觉模仿中的成功应用。未来工厂中的机器人将具有更强的学习能力，不局限于特定的工具或特定的任务。
