arXiv cs.AI· Wei Yao, Chuyao Wang, Ziwei Wang, Nabil Aouf·· 3 天前AI 评分23
XFD：XAI 引导的傅里叶域泛化，实现纯仿真 Sim-to-Real 深度强化学习
XAI-Guided Fourier Domain Generalisation for Pure-Simulation Sim-to-Real Deep Reinforcement Learning
AI 导读
研究者提出 XFD，一个由可解释 AI（XAI）引导的傅里叶域泛化框架，用于纯仿真的 sim-to-real 强化学习。它从仿真观测中提取可解释性归因图，转化为策略条件化的傅里叶域干预，在扰动外观敏感频谱成分的同时保留任务相关的空间结构，从而完全在仿真内构建增强鲁棒性的视觉域。
正文 · AI 翻译
摘要：深度强化学习在基于视觉的自动驾驶中展现出强大潜力，但在仿真中训练的策略部署到现实世界时往往会出现严重的性能退化。现有的仿真到现实（sim-to-real）方法通常通过基于图像迁移的域适应或与策略无关的域随机化来弥合这一差距。然而，前者需要费力地获取目标域数据，且往往局限于部署域；而后者引入无引导的扰动，可能无法反映潜在的仿真到现实差异，导致迁移性能次优。为克服这些局限，我们提出 XFD，一种可解释人工智能（XAI）引导的傅里叶域泛化框架，用于纯仿真的仿真到现实强化学习。该框架从仿真观测中提取可解释性归因图，并将这些归因转化为以策略为条件的傅里叶域干预。通过在保留任务定义空间结构的同时扰动外观敏感的光谱分量，XFD 完全在仿真中构建增强鲁棒性的视觉域。随后，所提出的鲁棒策略优化引导策略关注任务关键特征，同时抑制对无关视觉信息的敏感性。在仿真和零样本真实世界部署中的大量实验表明，XFD 在行驶距离和奖励上持续优于标准策略和随机域随机化基线，尤其是在背景杂乱的未见地图上。基于归因的分析进一步证明，所提出的策略在仿真和真实世界观测中保留了更一致的任务相关视觉证据。
| 学科： | 人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2610.16478 [cs.AI] |
| （或 arXiv:2610.16478v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16478 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Wei Yao [查看电子邮件]
[v1]
2026年10月12日星期一 09:31:44 UTC（2,046 KB）
来源：arXiv cs.AI · arxiv.org