灵巧操作模仿学习综述（Dexterous Manipulation through Imitation Learning）¶
📌 一句话：聚焦"模仿学习（IL）怎么让机器人/多指手从专家示范里学会灵巧操作"——捕捉精细的多指协调与接触动力学；盘点近期方法、关键挑战与未来方向，背景是 IL 在传统 model-based / RL 难以泛化的复杂非结构化场景里更有优势。
🧰 对我们（速判）¶
- 适合谁读：做灵巧手 / 接触密集（contact-rich）操作、走示范学习路线的人；想了解 IL 在高维多指控制上的方法谱系。
- 能当地图吗：✅ 能，专门覆盖"灵巧操作 × 模仿学习"这一交叉块的分类与挑战。
- 新旧：2025-04，新；范围限定在 IL（不含纯 RL/model-based 的完整对比）。
关键（摘要级）¶
- 📄 分类法：按 IL 方法谱系组织（示范采集、策略表征、接触动力学建模等），并梳理关键挑战（高维控制、数据有限、covariate shift）。
- 📄 主要结论：IL 能捕捉细粒度协调与接触动力学，在复杂非结构化环境里比传统 model-based/RL 更易泛化；但数据与分布偏移仍是瓶颈。
- 关联本库：通用策略 / 流匹配代表见 卡片-π0；接触门控的触觉策略见 卡片-TacVLA。