使用 Transformer 的可微空间规划
机器学习
2021-12-03 v1 人工智能
计算机视觉与模式识别
机器人学
摘要
我们考虑空间路径规划问题。与从零开始优化新规划并假定可访问具有真实障碍物位置的完整地图的经典解不同，我们以可微方式从数据中学习规划器，这使我们能够利用过往数据中的统计规律性。我们提出空间规划 Transformer（SPT），其在给定障碍物地图时，通过学习对长程空间依赖进行规划来生成动作，不同于先前通过卷积结构以迭代方式局部传播信息的数据驱动规划器。在智能体不知晓真实地图的设置中，我们在端到端框架中利用预训练的 SPT，该框架内建了映射器与规划器的结构，从而可对分布外地图与目标实现无缝泛化。SPT 在操控与导航任务的所有设置下均优于先前的 state-of-the-art 可微规划器，带来 7-19% 的绝对提升。
引用
@article{arxiv.2112.01010,
title = {Differentiable Spatial Planning using Transformers},
author = {Devendra Singh Chaplot and Deepak Pathak and Jitendra Malik},
journal= {arXiv preprint arXiv:2112.01010},
year = {2021}
}
备注
Published at ICML 2021. See project webpage at https://devendrachaplot.github.io/projects/spatial-planning-transformers