.png){kind=icon}
返回
Encoder-Decoder Reinforcement Learning for Active Search and Coverage in Point Clouds
.png){kind=icon}
PRE
AI
DOI：10.59277/ROMJIST.2026.1.02.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
考虑一个主动目标搜索与覆盖问题，其中移动3D传感器旨在快速发现环境中的相关目标并快速扫描这些目标以覆盖它们。我们提出一种深度强化学习方法来寻找解决该问题的传感器位姿序列。该方法使用深度层次编码器-解码器架构，对点云变换器网络进行了重大修改。为减少计算量，提出了一种基于特征向量余弦相似性从点云中选择代表性点的新方法。在模拟实验中，新颖的编码器-解码器架构在性能上显著优于贪心基线和接近点云变换器网络结构的模型。该架构还在监督学习中的点云分类和分割任务上提升了性能。我们成功训练了比通常在强化学习中使用的更深网络，并认为实现这一目标所使用的方法可以推广到深度强化学习的一般场景。
Keyword:
Active sensing
artificial intelligence
deep reinforcement learning
point cloud
期刊
R
IF:
3.9
论文数:
26
被引数:
442
机构
引用论文
A Reinforcement Learning Approach to View Planning for Automated Inspection Tasks一种用于自动检查任务的视图计划的强化学习方法.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏分享收藏分享收藏MVLidarNet: Real-Time Multi-Class Scene Understanding for Autonomous Driving Using Multiple ViewsOAAI
OAAI分享收藏
查看更多内容