用于视觉导航的封建网络

视觉导航遵循人类无需详细地图即可导航的直觉。一种常见的方法是在交互式探索过程中构建拓扑图，将图像置于节点上以用于规划。最近的变体从被动视频中学习，并能利用复杂的社会和语义线索进行导航。然而，这需要大量的训练视频，利用大型图，且由于使用了里程计，场景并非未见过的。我们引入了一种利用封建学习 (feudal learning) 进行视觉导航的新方法，该方法采用由 worker agent（工作者智能体）、中层管理者和高层管理者组成的层次结构。封建学习范式的关键在于，各层级的智能体看到任务的不同方面，并在不同的空间和时间尺度上运行。在此框架中开发了两个独特的模块。对于高层管理者，我们以自监督方式学习记忆代理图，以在学到的潜在空间中记录先前的观测，从而避免使用图和里程计。对于中层管理者，我们开发了一个路点网络，输出中间子目标，模仿人类在局部导航中的路点选择。该路点网络使用一组新的、小型的遥操作视频进行预训练，这些视频我们将公开提供，且训练环境与测试环境不同。生成的封建导航网络实现了接近 SOTA 的性能，同时为图像目标导航任务提供了一种新颖的无 RL、无图、无里程计、无度量地图的方法。