基于重构与基于对比的视觉任务规划模型比较
机器人学
2021-09-15 v1 机器学习
摘要
学习状态表示使机器人能够直接从图像等原始观测中进行规划。大多数方法通过利用从低维潜在空间重构原始观测的损失来学习状态表示。图像空间中的观测相似性常被假定并用作估计系统底层状态之间相似性的代理。然而，观测通常包含与任务无关的变化因素，但这些因素对重构至关重要，例如变化的光照和不同的相机视角。在这项工作中，我们定义了相关的评估指标，并对状态表示学习的不同损失函数进行了深入研究。我们表明，利用任务先验的模型，如带有简单对比损失的连体网络（Siamese networks），在视觉任务规划中优于基于重构的表示。
引用
@article{arxiv.2109.06737,
title = {Comparing Reconstruction- and Contrastive-based Models for Visual Task Planning},
author = {Constantinos Chamzas and Martina Lippi and Michael C. Welle and Anastasia Varava and Lydia E. Kavraki and Danica Kragic},
journal= {arXiv preprint arXiv:2109.06737},
year = {2021}
}
备注
for the associated project web page, see https://state-representation.github.io/web/