NAR-*ICP：神经执行经典ICP点云配准算法
机器人学
2025-10-09 v3 人工智能
机器学习
摘要
本研究探索了神经网络与经典机器人算法的交叉，通过 Neural Algorithmic Reasoning (NAR) 蓝图，使神经网络能够通过学习来执行经典机器人算法。算法在机器人领域以及安全关键应用中至关重要，因为它们通过逻辑和数学原理提供可预测且一致的性能。相比之下，尽管神经网络高度灵活，能够处理复杂的高维数据并在不同任务之间泛化，但它们往往缺乏其内部计算的可解释性和透明性。为桥接这两者，我们提出一种新型的图神经网络(GNN)基于框架 NAR-*ICP，学习经典ICP基于配准算法的中间计算，扩展了 CLRS 基准测试。我们在真实数据集和合成数据集上评估了方法，展示了其处理复杂输入的灵活性，以及其潜在可被集成到更大学习管道中的作用。我们的方法在基准测试中实现了优异性能，甚至超越了它所训练的算法，进一步显示其超越传统算法能力的泛化能力。
引用
@article{arxiv.2410.11031,
title = {NAR-*ICP: Neural Execution of Classical ICP-based Pointcloud Registration Algorithms},
author = {Efimia Panagiotaki and Daniele De Martini and Lars Kunze and Paul Newman and Petar Veličković},
journal= {arXiv preprint arXiv:2410.11031},
year = {2025}
}
备注
19 pages, 16 tables, 7 figures