本期为
TechBeat人工智能社区
第
665
期
线上Talk。
北京时间
3
月5日
(周三)20:00，
新加坡国立大学博士生
铁宸睿
的Talk将准时在TechBeat人工智能社区开播！
他与大家分享的主题是:
“基于对称性优化机器人操作技能学习”
，届时他将分享如何利用SE(3)等变性提升机器人操作的泛化性、数据效率与计算效率，并介绍其在几何装配、可供性学习及轨迹级模仿学习中的应用。
长按识别二维码，一键预约TALK！
在机器人操作任务中，物体的对称性和空间变换（如旋转、平移）往往蕴含丰富的先验知识。如何有效利用这些对称性，提高机器人技能学习的泛化性、数据效率和计算效率，是当前研究的关键挑战。
本次talk我会介绍我在这一方向的三篇工作，分别从几何形状装配(Geometric Assembly)，可供性学习(Affordance Learning) 和 轨迹级别模仿学习(Trajectory-Level Imitation Learning) 角度，探索了 SE(3) 等变性（Equivariance） 在机器人操作中的应用，证明了对称性建模能够 减少需要的样本数量、提高学习效率，并提升泛化能力。
机器人操作涉及 物体操作（Manipulation），但学习过程通常需要大量数据。SE(3) 等变性（Equivariance） 在 几何装配、可供性学习、轨迹规划 方面具有重要价值。如何利用 SE(3) 等变性提升机器人技能学习的效率、数据利用率和泛化能力？
2. 动机与问题：传统方法的挑战
几何装配（Geometric Assembly）：如何在无语义信息的情况下，仅依靠几何特征完成拼装？
可供性学习（Affordance Learning）：如何保证机器人在不同姿态下都能预测正确的交互点？
轨迹级模仿学习（Trajectory-Level Imitation Learning）：如何减少对演示数据的依赖，提升泛化能力？
3. 解决方案：SE(3) 等变性建模的三种应用
几何装配（ICCV 2023）：采用 SE(3) 等变特征 进行部件匹配，提高拼装精度。
可供性学习（CVPR 2024@EquiVision）：设计 SE(3) 不变可供性分数 + SE(3) 等变作用力方向 预测框架，提高泛化能力
轨迹级模仿学习（ICLR 2025）：提出 ET-SEED：SE(3) 等变扩散策略，减少计算量，提高数据效率。对六个仿真任务 + 四个真实任务，在数据效率和泛化能力上超越 SOTA。
4. 总结：SE(3) 等变性在机器人操作中的未来
SE(3) 等变性建模显著提升机器人操作的泛化能力和数据效率。在不同任务中均表现出色，能够减少样本需求，提高学习效果。
讨论：如何推广到更复杂任务？如何结合大模型，提升自主学习能力？
Talk·预习资料
▼
论文链接：
https://arxiv.org/abs/2411.03990
代码链接：
https://github.com/Cold114514/ET-SEED
论文链接：
https://arxiv.org/abs/2408.01953
论文链接：
https://arxiv.org/abs/2309.06810
Talk·提问交流
▼
在Talk界面下的
【交流区】
参与互动！留下你的打call🤟和问题🙋，和更多小伙伴们共同讨论，被讲者直接翻牌解答！
你的每一次贡献，我们都会给予你相应的i豆积分，还会有惊喜奖励哦！
我是新加坡国立大学计算机学院一年级的博士生，导师是邵林老师。在此之前，我于2024年在北京大学信息科学技术学院获得学士学位。在本科阶段，我有幸与董豪老师和王鹤老师合作过。在学习计算机科学之前，我曾经是物理专业的学生。我的研究重点是根据不同机器人操作任务的具体特点，结合不同程度的物理直觉来构建模型，使机器人能够更高效地完成物理世界中的各种操作任务。
个人主页:
https://www.techbeat.net/grzytrkj?id=43911
