模仿学习内积正则化提升策略扰动鲁棒性
Inner Product Regularization for Imitation Learning
AI 摘要
Christie、Qiu、Losey 等人提出内积正则化(InneR):不再逐状态限制策略敏感度,而是约束同一扰动在不同状态引起的输出变化保持一致,并利用策略雅可比在状态空间诱导内积。该方法针对模仿学习策略在传感器噪声、场景变化和复合误差下的外推鲁棒性。
标题与摘要由 AI 根据原文自动生成,可能存在偏差;具体数据与结论请以原文为准。
Inner Product Regularization for Imitation Learning
AI 摘要
Christie、Qiu、Losey 等人提出内积正则化(InneR):不再逐状态限制策略敏感度,而是约束同一扰动在不同状态引起的输出变化保持一致,并利用策略雅可比在状态空间诱导内积。该方法针对模仿学习策略在传感器噪声、场景变化和复合误差下的外推鲁棒性。
标题与摘要由 AI 根据原文自动生成,可能存在偏差;具体数据与结论请以原文为准。
研究团队提出端到端多视角时空融合网络MVSTF,利用序列激光雷达点云生成多视角图像与特征差,并以多分支结构并行提取时空和维度特征,用于动态环境下的运动目标分割。该方法针对边界模糊、遮挡和视角受限等问题设计,摘要称可实现高精度分割,但未给出具体精度数值。
研究者提出无需特征匹配的相机位姿估计方法 MomentPnP:用四阶以内 14 个置换不变图像矩,在至少 20 个三维点的无噪声观测下唯一确定位姿,再以期望最大化迭代优化位姿与对应权重。三个基准测试上中值旋转误差较最优学习型基线降低 5–170 倍,外点数与内点相当时仍能恢复准确位姿。
研究者 Haichuan Li 提出 OrthoMark,一种免训练的 LiDAR 位置识别方法,用于为 SLAM 提供回环检测。该方法把重力对齐的扫描视为场景的正交地图,并用相位相关恢复平面内的刚性位移;垂直方向的高度信息只在两帧对齐后,于重叠区域逐格比较。其核心原则是:两次扫描只能通过由同一几何面计算出的特征进行比较。
Mengfei Duan等提出VoxSAOR,通过特征空间代理建模偶然不确定性,先量化局部语义一致性得到体素级结构稳定性先验,再用跨视角语义共识过滤不可靠对应,并构造稳定到模糊的特征转换,以提升三维占用预测对遮挡、深度歧义和投影误差的鲁棒性;摘要未给出定量结果。