本文探讨了等变卷积神经网络（Equivariant CNNs）在训练强化学习智能体中的优势，尤其是在对称环境下的性能提升和样本效率。研究表明，该方法在处理具有欧几里得对称性的问题时，能够快速收敛，提高模型的稳定性和泛化能力，并在图像处理和机器人导航等任务中表现出更高的精度和效率。

本文综述了基于等变卷积神经网络的多种算法，包括G-CNN、SE(3)群卷积核、球面卷积和旋转不变小针卷积等，应用于自然图像分类、医学影像分割、断层成像和蛋白质结构预测。这些方法利用旋转与反射对称性，提升了样本效率、泛化能力和计算效率，在多项基准上优于传统CNN。