Feb, 2025

从多视角观测中学习融合状态表示以进行控制

TL;DR本研究解决了在多视角强化学习(MVRL)中,学习紧凑且与任务相关的状态表示的挑战,尤其是在存在冗余和干扰信息时。作者提出了多视角融合状态控制(MFSC)方法,它通过引入双模拟度量学习和多视角掩模及潜在重建辅助任务,显著提高了在缺失视角情况下的鲁棒性。实验结果表明,MFSC在MVRL任务中超越了现有方法,即使在干扰或视角缺失的现实场景中,仍保持高性能。