DRUM: 基于扩散的射线丢弃感知非配对映射用于 Sim2Real LiDAR 分割
机器学习
2026-03-30 v1 系统与控制
系统与控制
摘要
基于 LiDAR 的语义分割是自主移动机器人的关键组件，但大规模标注 LiDAR 点云的成本极高且耗时。虽然模拟器可以提供带标签的合成数据，但基于合成数据训练的模型在真实数据上往往表现不佳，原因是数据层面的域差距。为解决此问题，我们提出 DRUM，一个新颖的 Sim2Real 转换框架。我们利用在无标签真实数据上预训练的扩散模型作为生成先验，通过再现两个关键测量特性——反射强度和射线丢弃噪声——来转换合成数据。为提高样本保真度，我们引入射线丢弃感知掩码引导机制，选择性地强制与输入合成数据的一致性，同时保留扩散先验引入的真实射线丢弃噪声。实验结果表明，DRUM 在 LiDAR 数据的多种表示上持续提升 Sim2Real 性能。项目页面位于 https://miya-tomoya.github.io/drum。
引用
@article{arxiv.2603.26264,
title = {Topology-Aware Graph Reinforcement Learning for Energy Storage Systems Optimal Dispatch in Distribution Networks},
author = {Shuyi Gao and Stavros Orfanoudakis and Shengren Hou and Peter Palensky and Pedro P. Vergara},
journal= {arXiv preprint arXiv:2603.26264},
year = {2026}
}
备注
15 pages, 10 figures