DIRL：用于仿真到真实迁移的域不变表示学习
计算机视觉与模式识别
2021-01-08 v3 机器人学
摘要
在仿真中生成大规模合成数据是用于训练基于视觉的深度学习模型、替代收集/标注真实数据的可行方案，尽管建模误差无法泛化至物理世界。本文中，我们提出一种域不变表示学习(DIRL)算法，以利用少量真实数据将深度模型适配至物理环境。现有方法仅通过对齐跨域边缘分布来缓解协变量偏移，并假设条件分布为域不变，这可能导致真实场景中的模糊迁移。我们提出联合对齐边缘（输入域）与条件（输出标签）分布，以对抗学习缓解跨域的协变量与条件偏移，并将其与三元组分布损失结合，使条件分布在共享特征空间中互不相交。在数字域上的实验在具有挑战性的基准上取得最优性能，而基于视觉的 mobile robot 杂物清理物体识别的仿真到真实迁移从 26.8% 提升至 91.0%，从而对多种物体实现 86.5% 的抓取精度。代码与补充细节见 https://sites.google.com/view/dirl
引用
@article{arxiv.2011.07589,
title = {DIRL: Domain-Invariant Representation Learning for Sim-to-Real Transfer},
author = {Ajay Kumar Tanwani},
journal= {arXiv preprint arXiv:2011.07589},
year = {2021}
}
备注
4th Conference on Robot Learning (CoRL), 2020 [plenary talk, Best System Paper Award Finalist]