AllenAct：一个用于具身人工智能研究的框架
计算机视觉与模式识别
2020-08-31 v1 人工智能
机器学习
多智能体系统
机器人学
摘要
具身人工智能（Embodied AI）领域研究智能体通过以自我为中心的观测与环境交互来完成任务，随着深度强化学习的出现以及计算机视觉、自然语言处理和机器人学界的日益关注，该领域经历了大幅增长。大量模拟环境（如 AI2-THOR、Habitat 和 CARLA）、任务（如点目标导航、指令跟随和具身问答）以及相关排行榜的创建促进了这一增长。尽管这种多样性是良性且自然的，但它也导致了社区的碎片化：即便只是将一个在某一环境中训练的模型拿到另一环境中测试，也需要耗费大量精力。这不利于良好的科学研究。我们提出 AllenAct，一个模块化且灵活的学习框架，其设计侧重于具身人工智能研究的独特需求。AllenAct 为一组不断增长的具身环境、任务和算法提供一流支持，复现了最先进的模型，并包含详尽的文档、教程、启动代码和预训练模型。我们希望该框架能使具身人工智能更易于上手，并吸引新的研究者加入这一令人振奋的领域。该框架可通过 https://allenact.org/ 访问。
引用
@article{arxiv.2008.12760,
title = {AllenAct: A Framework for Embodied AI Research},
author = {Luca Weihs and Jordi Salvador and Klemen Kotar and Unnat Jain and Kuo-Hao Zeng and Roozbeh Mottaghi and Aniruddha Kembhavi},
journal= {arXiv preprint arXiv:2008.12760},
year = {2020}
}