EquiForm: 3D点群からのノイズに頑健なSE(3)同変方策学習

- 3D point cloud を用いた visual imitation learning のための枠組み - SE(3)-equivariant な policy learning を noise に頑健にする EquiForm を提案 - 16 の simulated tasks と 4 の real-world manipulation tasks で評価 - 物体や scene layout の多様性に対応

- 既存の equivariant 手法は symmetry constraints を neural architecture に埋め込むが、noise による幾何偏差を明示的に補正しない - EquiForm は noise 起因の equivariance deviation を定式化し、geometric denoising module で 3D 構造を復元 - contrastive equivariant alignment objective で rigid transformation と noise perturbation 下の表現一貫性を強制 - 最先端の point cloud imitation learning 手法と比較し、simulation で平均 17.2%、real-world で 28.1% 改善

- noise による幾何歪みが observation-to-action mapping の equivariance を崩すことを定式化 - geometric denoising module を導入し、noisy/incomplete な観測下で一貫した 3D 構造を復元 - contrastive equivariant alignment objective を提案し、rigid transformation と noise perturbation の両方で表現一貫性を強制 - これらを組み合わせ、noise-robust geometric reasoning と generative models を統合する柔軟な policy learning pipeline を構築

- 16 の simulated tasks と 4 の real-world manipulation tasks で評価 - 多様な物体と scene layout を対象 - state-of-the-art の point cloud imitation learning 手法と比較 - simulation で平均 17.2%、real-world で 28.1% の改善を達成し、noise robustness と spatial generalization を示す

- 要旨からは不明（具体的な限界や議論には言及なし）

- 要旨で参照/比較されている具体的な先行研究名は不明 - 関連手法として SE(3)-equivariant neural networks、point cloud-based imitation learning、contrastive learning、geometric denoising の定番研究が挙げられる