SNeRL: Semantic-aware Neural Radiance Fields for Reinforcement Learning

要約

強化学習の以前の表現は、人間の直感的な 3D 環境の理解を効果的に組み込むことができないため、通常、パフォーマンスが最適化されていません。
この論文では、強化学習用のセマンティック認識ニューラル放射輝度フィールド (SNeRL) を提示します。これは、セマンティック認識ニューラル放射輝度フィールド (NeRF) を畳み込みエンコーダーと共同で最適化し、マルチビュー画像から 3D 認識ニューラル暗黙的表現を学習します。
強化学習のためのセマンティックおよびオブジェクト中心の表現を学習するために、NeRF の RGB 放射輝度フィールドと並行して 3D セマンティックおよび蒸留された特徴フィールドを導入します。
SNeRL は、以前のピクセルベースの表現だけでなく、モデルフリーおよびモデルベースの強化学習の両方で最近の 3D 認識表現よりも優れています。

要約(オリジナル)

As previous representations for reinforcement learning cannot effectively incorporate a human-intuitive understanding of the 3D environment, they usually suffer from sub-optimal performances. In this paper, we present Semantic-aware Neural Radiance Fields for Reinforcement Learning (SNeRL), which jointly optimizes semantic-aware neural radiance fields (NeRF) with a convolutional encoder to learn 3D-aware neural implicit representation from multi-view images. We introduce 3D semantic and distilled feature fields in parallel to the RGB radiance fields in NeRF to learn semantic and object-centric representation for reinforcement learning. SNeRL outperforms not only previous pixel-based representations but also recent 3D-aware representations both in model-free and model-based reinforcement learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google