基于策略性视角选择的视角无关操控策略
机器人学
2025-10-07 v2
摘要
由于基于视觉的操控策略通常从单一视角收集的数据中训练，因此在部署过程中视角变化时其性能会下降。天真地从大量随机视角聚合演示不仅成本高昂，而且已知会破坏学习，因为过度的视觉多样性充当噪声。我们提出了Vantage，一个视角选择框架，通过少量策略性设置的相机姿态对任何预训练策略进行微调，以诱导视角无关行为。Vantage不依赖代价高昂的视角暴力搜索，而是将相机布设 formulating 为连续空间中的信息增益优化问题。该方法在探索新姿态与利用有前景姿态之间取得平衡，同时提供关于收敛性和鲁棒性的理论保证。在多种操控任务和策略族上，Vantage在视角变化下相比固定、网格或随机数据选择策略持续提升成功率，且仅需少量微调步骤。在模拟和真实世界设置上的实验表明，Vantage为扩散策略将任务成功率提升了25%，并在动态相机设置中产生了鲁棒的增益。
引用
@article{arxiv.2506.12261,
title = {Viewpoint-Agnostic Manipulation Policies with Strategic Vantage Selection},
author = {Sreevishakh Vasudevan and Som Sagar and Ransalu Senanayake},
journal= {arXiv preprint arXiv:2506.12261},
year = {2025}
}