使用Sawyer机器人，我们的方法与现实世界任务的其他基准的成功率曲线对比。x轴是实验类型，y轴上显示不同方法的成功率。每个任务的成功度量有所不同。

　　我们研究了如何通过学习以在不同的环境之间转化示范观察序列，例如视角的差异以执行模仿观察。在将观察结果转化成目标环境之后，我们可以用强化学习来跟踪这些观察结果，让学习者重现观察到的行为。转化模型通过在训练集中观察到的不同环境之间进行转化，来进行训练，并将其泛化为学习者未知的环境。我们的实验表明，我们的方法可以用于执行各种操作技能，可以跟踪由人类演示者提供的工具使用的现实世界演示，并可用于现实世界中的机器人控制来做普通的家务。

　　虽然我们的方法在现实世界任务和模拟中的几个任务上表现良好，但它有一些限制。

　　首先，需要大量的示范来学习转化模型。对于每个任务，从头开始训练端到端的模型，可能在实践中效率低下，将我们的方法与先前工作中提出的更高层次的表达相结合，可能会导致训练更有效）。

　　第二，我们需要观察多个环境中的演示，以便学会如何在他们之间进行转化。实际上，可用环境的数量可能很少。在这种情况下，探索如何将多个任务组合成一个单一的模型是有价值的，其中不同的任务可能来自不同的环境。

　　最后，在今后的工作中探索明确处理领域转换将是令人激动的，以便直接从获得的人类演示者的视频中（例如网上视频）学习机器人技能。