用于街道导航的跨视角策略学习
计算机视觉与模式识别
2019-09-24 v2 机器学习
机器人学
摘要
在陌生环境中根据视觉观察进行导航是智能体的一项核心能力，也是深度强化学习（RL）面临的持续挑战。Street View 可作为此类 RL 智能体的理想测试平台，因为它提供地面级别的真实世界摄影图像，具有多样的街道外观；它已被构建为一个名为 StreetLearn 的交互式环境，并用于导航研究。然而，迄今为止，目标驱动的街道导航智能体在没有大量重新训练的情况下仍无法迁移到未见过的区域，而依赖模拟并非可扩展的解决方案。由于航拍图像易于全球获取，我们提出转而在地面视角和航拍视角上训练多模态策略，然后利用航拍视角观察将地面视角策略迁移到城市中未见过的（目标）区域。我们的核心思想是将地面视角与航拍视角配对，并学习一种可跨视角迁移的联合策略。我们通过为两种视角学习相似的嵌入空间、跨视角蒸馏策略并丢弃视觉模态来实现这一点。我们进一步将迁移学习范式重新定义为三个阶段：1）跨模态训练，即智能体最初在多个城市区域进行训练；2）仅航拍视角适应新区域，即仅使用易于获取的航拍视角将智能体适应到一个保留区域；3）仅地面视角迁移，即在没有航拍图像的情况下，在未见过的地面视角上测试智能体的导航任务。实验结果表明，所提出的跨视角策略学习能够使智能体实现更好的泛化，并允许更有效地迁移到未见过的环境中。
引用
@article{arxiv.1906.05930,
title = {Cross-View Policy Learning for Street Navigation},
author = {Ang Li and Huiyi Hu and Piotr Mirowski and Mehrdad Farajtabar},
journal= {arXiv preprint arXiv:1906.05930},
year = {2019}
}
备注
8 pages