基于对比域随机化的操控任务无监督特征学习
机器学习
2021-06-09 v2 人工智能
机器人学
摘要
以视觉输入进行操控为代表的机器人任务需要能够捕捉场景物理属性（例如物体的位置与构型）的图像特征。近来，有研究建议从模拟的、自监督的机器人交互中以无监督方式学习此类特征；其思路在于现代物理模拟器能很好地捕捉高层物理属性，而从其视觉输入得到的表征或可较好地迁移至真实世界。特别地，基于噪声对比估计的学习方法已展现出有前景的结果。为增强模拟到真实的迁移鲁棒性，已有工作提出采用域随机化（DR）来学习对纹理或光照等无关视觉属性不变的特征。然而，本工作表明，将 DR 朴素地应用于基于对比估计的无监督学习并不会促进不变性，因为该损失函数最大化了特征与相关及无关视觉属性之间的互信息。我们利用可控制视觉属性模拟随机化这一事实，提出对对比损失的一个简单修正以解决此问题。我们的方法学到了对视觉域变化显著更鲁棒的物理特征，这一点我们在刚体与非刚体物体上均进行了验证。
引用
@article{arxiv.2103.11144,
title = {Unsupervised Feature Learning for Manipulation with Contrastive Domain Randomization},
author = {Carmel Rabinovitz and Niko Grupen and Aviv Tamar},
journal= {arXiv preprint arXiv:2103.11144},
year = {2021}
}
备注
Accepted to ICRA 2021, code can be found at https://github.com/carmelrabinov/cdr