协作多机器人感知的分布式 NeRF 学习

提出了一种名为NeRF-RL的强化学习算法，通过神经辐射场学习状态表示，提升机器人操纵对象的能力。

介绍了AutoNeRF方法，利用自主实体代理收集数据以训练NeRF，显示主动数据收集在机器人任务中的优势。

提出了一种联邦学习算法，利用低秩分解技术实现多计算节点共同学习NeRF，解决数据隐私问题。

结合自编码器的潜空间NeRF，提升渲染速度并减少视觉伪影，适用于高保真的3D场景表示。

提出了HEAL框架，解决新异构代理类型的协作感知问题，实验表明其性能优于现有方法，训练参数减少91.5%。

COV-NeRF模型用于合成真实世界训练数据，生成逼真的渲染图像和多种监督信息，缩小模拟与真实之间的差距。

总结了Neural Radiance Field在机器人领域的应用与进展，提出未来研究方向。

提出Residual-NeRF方法，改善不透明物体的深度感知和训练速度，提供综合性和真实性的实验结果。

创建了多机器人协同感知数据集，利用空中-地面机器人协同的潜力，促进多机器人协同感知算法的研究。