PointPatchRL -- 掩码重建提升点云上的强化学习
机器学习
2024-10-25 v1 机器人学
摘要
通过摄像机感知环境是强化学习 (RL) 在机器人领域的关键环节。虽然图像是一种便利的表示形式，但往往会使提取重要几何细节变得复杂，尤其是当几何形状或可变形物体的情况下。相比之下，点云自然地表示这种几何特征，并且轻松地整合来自多个摄像机视角的颜色和位置数据。然而，尽管点云上的深度学习已取得许多近期成功，但在点云上的强化学习仍鲜有研究，文献中仅考虑最简单的编码器架构。我们提出 PointPatchRL (PPRL)，一种基于将点云划分为重叠补丁、对其进行标记化，并使用转换器处理标记来实现的点云强化学习方法。PPRL 在与之前用于强化学习的其他点云处理架构相比提供了显著的改进。我们随后将掩码重建与 PPRL 结合用于表示学习，证明我们的方法在包含可变形物体和目标物体几何形状变化的复杂操控任务中，超过了强模型无关和模型基准。视频和代码均可在 https://alrhub.github.io/pprl-website 获取。
关键词
引用
@article{arxiv.2410.18800,
title = {PointPatchRL -- Masked Reconstruction Improves Reinforcement Learning on Point Clouds},
author = {Balázs Gyenes and Nikolai Franke and Philipp Becker and Gerhard Neumann},
journal= {arXiv preprint arXiv:2410.18800},
year = {2024}
}
备注
18 pages, 15 figures, accepted for publication at the 8th Conference on Robot Learning (CoRL 2024)