論文の概要: Robust Point Cloud Reinforcement Learning via PCA-Based Canonicalization
- arxiv url: http://arxiv.org/abs/2510.20974v2
- Date: Tue, 28 Oct 2025 11:58:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-29 13:20:32.869148
- Title: Robust Point Cloud Reinforcement Learning via PCA-Based Canonicalization
- Title（参考訳）: PCAに基づく正準化によるロバストポイントクラウド強化学習
- Authors: Michael Bezick, Vittorio Giammarino, Ahmed H. Qureshi,
- Abstract要約: 下流ロボット制御に適した標準化フレームワークであるPCA Point Cloud (PPC)を提案する。
PPC は任意の剛体変換の下で点雲を特異な正則なポーズにマッピングし、観測結果を一貫したフレームに整列させ、視点誘起の不整合を著しく減少させる。
我々の実験では、PPCは難易度の高いカメラのポーズが困難なロボットタスクにまたがって堅牢性を向上させることを示し、ドメインランダム化の原則的な代替手段を提供する。
- 参考スコア（独自算出の注目度）: 15.020805927777863
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reinforcement Learning (RL) from raw visual input has achieved impressive successes in recent years, yet it remains fragile to out-of-distribution variations such as changes in lighting, color, and viewpoint. Point Cloud Reinforcement Learning (PC-RL) offers a promising alternative by mitigating appearance-based brittleness, but its sensitivity to camera pose mismatches continues to undermine reliability in realistic settings. To address this challenge, we propose PCA Point Cloud (PPC), a canonicalization framework specifically tailored for downstream robotic control. PPC maps point clouds under arbitrary rigid-body transformations to a unique canonical pose, aligning observations to a consistent frame, thereby substantially decreasing viewpoint-induced inconsistencies. In our experiments, we show that PPC improves robustness to unseen camera poses across challenging robotic tasks, providing a principled alternative to domain randomization.
- Abstract（参考訳）: 生の視覚入力からの強化学習(RL)は、近年、目覚ましい成功を収めているが、照明、色、視点の変化など、分布外の変化には脆弱なままである。
Point Cloud Reinforcement Learning (PC-RL)は、外観ベースの脆さを軽減することで、有望な代替手段を提供する。
この課題に対処するために、下流ロボット制御に特化した標準化フレームワークであるPCA Point Cloud(PPC)を提案する。
PPC は任意の剛体変換の下で点雲を特異な正則なポーズにマッピングし、観測結果を一貫したフレームに整列させ、視点誘起の不整合を著しく減少させる。
我々の実験では、PPCは難易度の高いカメラのポーズが困難なロボットタスクにまたがって堅牢性を向上させることを示し、ドメインランダム化の原則的な代替手段を提供する。
関連論文リスト
- Single-Frame Point-Pixel Registration via Supervised Cross-Modal Feature Matching [7.5461100059974315]
本稿では,LiDARとカメラビュー間の直接点画像マッチングのための検出不要フレームワークを提案する。
具体的には、LiDARインテンシティマップをLiDARの観点から2次元ビューに投影し、注意に基づくマッチングネットワークに入力する。
マッチングの信頼性をさらに高めるために,事前にソフトな可視性として機能する再現性スコアリング機構を導入する。
論文 参考訳（メタデータ） (2025-06-28T06:57:13Z) - RBFIM: Perceptual Quality Assessment for Compressed Point Clouds Using Radial Basis Function Interpolation [58.04300937361664]
ポイントクラウド圧縮(PCC)の主な課題の1つは、知覚的品質にRBを最適化できるように、認識された歪みを評価する方法である。
本稿では、放射基底関数(RBF)を用いて離散点特徴を歪み点雲の連続特徴関数に変換する新しい評価法を提案する。
論文 参考訳（メタデータ） (2025-03-18T11:25:55Z) - Generalizable Image Repair for Robust Visual Control [0.12499537119440243]
視覚に基づく制御は、堅牢性を達成するために正確な知覚に依存している。
センサノイズ、悪天候、動的照明による画像の分布変化は知覚を低下させ、最適下制御の決定につながる。
制御器が使用する前に劣化した画像を復元するリアルタイム画像修復モジュールを提案する。
論文 参考訳（メタデータ） (2025-03-07T20:16:40Z) - Rendering-Oriented 3D Point Cloud Attribute Compression using Sparse Tensor-based Transformer [52.40992954884257]
3D視覚化技術は、私たちがデジタルコンテンツと対話する方法を根本的に変えてきた。
ポイントクラウドの大規模データサイズは、データ圧縮において大きな課題を呈している。
そこで我々はPCACと差別化可能なレンダリングをシームレスに統合するエンドツーエンドのディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-12T16:12:51Z) - Contrastive Pre-Training with Multi-View Fusion for No-Reference Point Cloud Quality Assessment [49.36799270585947]
No-Reference Point Cloud Quality Assessment (NR-PCQA) は、歪んだ点雲の知覚的品質を、参照なしで自動的に評価することを目的としている。
我々は,PCQA(CoPA)に適した新しいコントラスト付き事前学習フレームワークを提案する。
提案手法は,最新のPCQA手法よりも高い性能を示す。
論文 参考訳（メタデータ） (2024-03-15T07:16:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。