EquiForm：基于 3D 点云的抗噪 SE(3) 等变策略学习
机器人学
2026-01-27 v1
摘要
使用 3D 点云的视觉模仿学习通过提供几何感知、外观不变的观测，推进了机器人操作。然而，基于点云的策略对传感器噪声、位姿扰动和遮挡引起的伪影仍然高度敏感，这些因素扭曲几何结构并破坏鲁棒泛化所需的等变假设。现有的等变方法主要将对称约束编码到神经架构中，但未明确校正噪声引起的几何偏差，也未在学习表示中强制执行等变一致性。我们引入了 EquiForm，一个用于基于点云操作的抗噪 SE(3) 等变策略学习框架。EquiForm 形式化了噪声引起的几何畸变如何导致观测到动作映射中的等变偏差，并引入了一个几何去噪模块，以在噪声或不完整观测下恢复一致的 3D 结构。此外，我们提出了一个对比等变对齐目标，在刚体变换和噪声扰动下强制执行表示一致性。基于这些组件，EquiForm 形成了一个灵活的策略学习流水线，将抗噪几何推理与现代生成模型集成。我们在 16 个模拟任务和 4 个涉及不同物体与场景布局的真实世界操作任务上评估了 EquiForm。与最先进的点云模仿学习方法相比，EquiForm 在模拟中平均提升 17.2%，在真实世界实验中提升 28.1%，展示了强大的抗噪性和空间泛化能力。
引用
@article{arxiv.2601.17486,
title = {EquiForm: Noise-Robust SE(3)-Equivariant Policy Learning from 3D Point Clouds},
author = {Zhiyuan Zhang and Yu She},
journal= {arXiv preprint arXiv:2601.17486},
year = {2026}
}
备注
Project website: https://ZhangZhiyuanZhang.github.io/equiform-website/ Code will be released