多视角解缠：面向多相机强化学习

基于图像的强化学习(RL)智能体的性能可能因用于捕获图像的相机位置而异。同时使用多个相机（包括第一人称自我中心相机）进行训练，可以利用不同相机视角的信息来提高RL的性能。然而，硬件限制可能限制在现实部署中多个相机的可用性。此外，相机可能在现实世界中损坏，从而无法访问训练期间使用的所有相机。为了克服这些硬件限制，我们提出了多视角解缠(MVD)，它使用多个相机来学习一个对相机数量减少具有鲁棒性的策略，从而泛化到训练集中的任何单个相机。我们的方法是RL的一种自监督辅助任务，它从多个相机学习解缠表示，其中跨所有相机对齐的共享表示允许泛化到单个相机，以及特定于相机的私有表示。我们通过实验表明，仅使用单个第三人称相机训练的RL智能体在许多控制任务中无法学习最优策略；但是，我们的方法在训练期间受益于多个相机，能够仅使用相同的单个第三人称相机解决该任务。