面向鲁棒导航智能体学习的增强方法基准测试:2021 iGibson 挑战赛夺冠方案
机器人学
2023-10-16 v3 人工智能
摘要
深度强化学习与可扩展照片级真实感仿真的最新进展,推动了包括导航在内的多种视觉任务中具身 AI 的日益成熟。然而,尽管在教导具身智能体导航静态环境方面取得了令人印象深刻的进展,在可能包含移动行人与可移动障碍物的更动态环境上的进展则少得多。本研究旨在基准测试不同增强技术,以提升智能体在这些挑战性环境中的性能。我们表明,在训练时向场景中加入若干动态障碍物可显著改善测试时的泛化能力,取得比基线智能体高得多的成功率。我们发现该方法也可与图像增强方法结合以取得更高的成功率。此外,我们表明该方法相比图像增强方法对仿真到仿真的迁移也具有更好的鲁棒性。最后,我们通过在 2021 年 CVPR iGibson 挑战赛中使用该方法训练智能体来证明其动态障碍物增强方法的有效性,该智能体在交互式导航中获得了第一名。视频链接:https://www.youtube.com/watch?v=HxUX2HeOSE4
引用
@article{arxiv.2109.10493,
title = {Benchmarking Augmentation Methods for Learning Robust Navigation Agents: the Winning Entry of the 2021 iGibson Challenge},
author = {Naoki Yokoyama and Qian Luo and Dhruv Batra and Sehoon Ha},
journal= {arXiv preprint arXiv:2109.10493},
year = {2023}
}