CoRL 2026 收录 PAF：为 SE(3) 等变视觉运动策略引入局部几何…
论文AI 评分 72/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇被 CoRL 2026 接收的论文提出相位条件可操作场（PAF），用于改进 SE(3) 等变视觉运动策略。作者指出，已有方法把整个观测视为受单一刚体变换支配，这一全局等变假设在任务相关区域随物体变化时失效。PAF 在观测点云上学习逐点分数，并以两种方式使用：分数加权质心作为相位条件锚点，把观测与动作围绕当前活跃区域规范化，取代固定的夹爪坐标系参考；分数本身作为逐点特征拼接。该方法引入局部几何归纳偏置，同时保留策略的全局 SE(3) 等变性。在 MimicGen 多任务、不同空间随机化下，PAF 稳定提升底层策略成功率；在多物体真机任务上优于基线，并在光照变化下保持领先。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载全局等变假设的问题
现有 SE(3) 等变视觉运动策略把几何归纳偏置建立在一个全局等变假设上：整个观测被当作受同一个刚体变换支配，动作随之协变。论文指出，这一假设在真实操作任务中会失效，因为与任务相关的区域会随物体不同而改变，单一刚体变换无法描述这种局部差异。作者由此提出，需要一种能随任务阶段定位活跃区域的局部几何先验，而不是继续依赖全局参考。
PAF 的两种用法
论文的做法是在观测点云上学习相位条件可操作场，即每个点得到一个分数。这个分数被用于两处：其一是分数加权质心，作为学习到的、随相位变化的锚点，把观测和动作围绕当前活跃区域做规范化，从而取代固定的夹爪坐标系参考；其二是把分数本身作为逐点特征附加到策略输入中。作者称，这样既引入了局部几何归纳偏置，又保留了策略原有的全局 SE(3) 等变性。
验证范围与结果
实验分两部分。仿真侧在多个 MimicGen 任务上、在不同空间随机化条件下测试，PAF 一致地提升了底层策略的成功率。真机侧针对多物体任务，PAF 的表现优于基线，并且在光照变化下仍保持领先。论文被第 10 届 Conference on Robot Learning（CoRL 2026）接收，项目页面与 arXiv 页面均已提供。
为什么值得看
机器人操作策略如何摆脱全局刚体假设，这篇给出可复用的逐点可操作场做法，且有真机验证。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。