通过机器人中心池化提升端到端可视-运动策略中的身体所有权

我们提出机器人中心池化（RcP），一种新颖的池化方法，旨在通过区分机器人与相似实体或其周围环境，来增强端到端可视-运动策略。给定一个图像-机器人自主状态配对，RcP通过突出与机器人自主状态相关的图像区域，来提取与机器人自主状态相关的图像表示，以用于策略学习。利用对比学习技术，RcP可无缝集成到现有的可视-运动策略学习框架中，并使用相同的数据集进行联合训练，无需额外涉及自干扰因素的数据收集。我们在模拟和真实世界的情境下对提出的方法进行了评估。结果表明，RcP显著增强了策略对各种未见型干扰因素的鲁棒性，包括不同位置的自干扰因素。此外，RcP固有的机器人中心特征使所学策略在面对激进像素偏移时远比基线方法更具韧性。