LEARNING
SIR：用于可解释机器人学习的结构化图像表示
Paul Mattes, Jan Schwab, Jens Bosch, Nils Blank, Maximilian Xiling Li, Minh-Trung Tang, Moritz Haberland, Rudolf Lioutikov
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
该论文提出结构化图像表示（SIR）方法，利用场景图作为中间表示进行机器人策略学习，通过端到端学习稀疏化全连接图来生成任务相关的子图，从而实现内在可解释性。实验表明，该方法在RoboCasa基准上优于基于图像的基线，并能通过分析子图偏差揭示数据集中的虚假相关性和位置偏差。
关键词
scene graphexplainabilityrobot learningvisual representationsparse graph
相关论文
LEARNING
📊 8,465 引用
The Organization of Behavior
D. O. Hebb
2005
LEARNING
📊 7,678 引用
Fractional Brownian Motions, Fractional Noises and Applications
Benoît B. Mandelbrot, John W. Van Ness
1968
LEARNING
开放获取📊 7,484 引用
Review of deep learning: concepts, CNN architectures, challenges, applications, future directions
Laith Alzubaidi, Jinglan Zhang, Amjad J. Humaidi 等 10 位作者
2021
LEARNING
📊 4,608 引用
A guide to deep learning in healthcare
Andre Esteva, Alexandre Robicquet, Bharath Ramsundar 等 10 位作者
2018