MoVie：面向视角泛化的视觉基于模型策略自适应

在有限视角上训练的视觉强化学习（RL）智能体，在将其习得能力泛化到未见视角时面临重大挑战。这一固有困难被称为视角泛化（view generalization）问题。本工作中，我们将该基础问题系统地归类为四种不同且极具挑战性、贴近真实世界的场景。随后，我们提出一种简洁而有效的方法，在测试时实现视觉 $\textbf{Mo}$del-based 策略对 $\textbf{Vie}$w 泛化（$\textbf{MoVie}$）的成功自适应，无需任何显式奖励信号且训练时无需任何修改。我们的方法在来自 DMControl、xArm 和 Adroit 的共 $\textbf{18}$ 个任务的所有四种场景中均展现出大幅进展，相对提升分别为 $\mathbf{33}$%、$\mathbf{86}$% 和 $\mathbf{152}$%。优越的结果凸显了我们的方法在真实世界机器人应用中的巨大潜力。视频见 https://yangsizhe.github.io/MoVie/。