图像的欺诈：面向机器人操作深度策略学习的贝叶斯场景关键点
机器人学
2023-09-21 v3 人工智能
计算机视觉与模式识别
摘要
在机器人操作策略学习中，样本效率至关重要。因此，从相机观测中学习并提取更紧凑的表示是一条大有前景的途径。然而，当前方法常假设场景完全可观测，且难以做到尺度不变。在许多任务与场景中，该假设不成立，因为场景中的物体常被遮挡或位于相机视场之外，致使相机观测在其位置上具有歧义性。为解决此问题，我们提出 BASK，一种随时间跟踪尺度不变关键点的贝叶斯方法。我们的方法成功消解图像中固有的歧义，实现了对对称物体及被遮挡、视场外物体的关键点跟踪。我们运用该方法从腕部相机观测中学习具挑战性的多物体机器人操作任务，并证明相较于其他表示学习技术，其在策略学习上具有更优效用。此外，我们在仿真与真实机器人实验中均展现出对杂物、遮挡、深度测量噪声等扰动以及未见物体的出色鲁棒性与泛化能力。
引用
@article{arxiv.2305.04718,
title = {The Treachery of Images: Bayesian Scene Keypoints for Deep Policy Learning in Robotic Manipulation},
author = {Jan Ole von Hartz and Eugenio Chisari and Tim Welschehold and Wolfram Burgard and Joschka Boedecker and Abhinav Valada},
journal= {arXiv preprint arXiv:2305.04718},
year = {2023}
}