InneR：用内积正则提升模仿学习策略对状态扰动的鲁棒性

作者提出内积正则化方法 InneR，通过策略雅可比在状态空间诱导内积，对对齐状态聚类并最小化平均内积的最小特征值，使邻近状态共享零空间，从而对扰动给出一致响应。在真实机械臂的三项操作任务上，InneR 将扩散策略的平均成功率从 18% 提升到 57%，且无需额外数据；仿真实验显示其对无关状态维度和训练测试分布偏移更鲁棒，而范数惩罚常不如行为克隆。