ReAgent：基于模仿与强化学习的点云配准
计算机视觉与模式识别
2021-03-30 v1
摘要
点云配准是许多三维计算机视觉任务（如物体位姿估计，其中将三维模型与观测对齐）中的常见步骤。经典配准方法对新颖领域泛化良好，但在给定含噪观测或不良初始化时失效。相比之下，基于学习的方法更鲁棒但缺乏泛化能力。我们提出将迭代点云配准视为强化学习任务，并为此提出一种新颖的配准智能体（ReAgent）。我们采用模仿学习，基于稳定的专家策略初始化其离散配准策略。结合基于我们所提出的对齐奖励的策略优化，进一步提升了智能体的配准性能。我们在 ModelNet40（合成数据）和 ScanObjectNN（真实数据）上将我们的方法与经典及基于学习的配准方法进行比较，表明我们的 ReAgent 达到了最先进的精度。此外，该智能体的轻量架构相比相关方法减少了推理时间。另外，我们将我们的方法应用于真实数据（LINEMOD）上的物体位姿估计任务，优于最先进的位姿细化方法。
引用
@article{arxiv.2103.15231,
title = {ReAgent: Point Cloud Registration using Imitation and Reinforcement Learning},
author = {Dominik Bauer and Timothy Patten and Markus Vincze},
journal= {arXiv preprint arXiv:2103.15231},
year = {2021}
}
备注
Accepted at CVPR 2021