多域双向转换模型

视觉干扰下泛化更强

显式建模多域观测的双向环境转换，任务相关表征能同时去除噪声干扰并保留动力学信息，从而在多种视觉干扰下实现稳健的强化学习策略。

Xiaobo, Hu · 林友芳 · 刘乐 · Wang, Shuo · Fan, Hehe · Lv, Kai

Neural Networks 2025

参数信息

成功率提升

2.3 %

泛化提升（Reach）

124.1 %

泛化提升（Peg in Box）

73.5 %

泛化回报提升

23.2 %

平均行驶距离提升

16.9 %

技术优势

抗视觉干扰

显式建模多域观测中的双向环境转换，去除噪声干扰并保留任务相关动态。

泛化更稳

在多个基准上取得最优性能，鲁棒性和可迁移性更强。

应用场景

• 视觉强化学习：直接使用预训练表征，减少环境干扰下的策略退化。
• 机器人操作：提升机械臂在不同视觉条件下的成功率与泛化能力。
• 自动驾驶：增强恶劣天气和光照下的驾驶稳定性与效率。
• 视觉导航：提供更鲁棒的视觉表征应对导航中的环境变化。
• 具身智能：为具身智能体提供跨域可迁移的表征。