门控路径规划网络
机器学习
2018-06-19 v1 人工智能
机器人学
机器学习
摘要
值迭代网络(VINs)是有效的可微分路径规划模块,可被智能体用于执行导航,同时保持整个架构的端到端可微性。尽管有效,它们仍存在若干缺陷,包括训练不稳定、随机种子敏感以及其他优化问题。在本工作中,我们将 VINs 重构为循环-卷积网络,这表明 VINs 将循环卷积与一种非常规的最大池化激活相耦合。从这一视角,我们认为标准的门控循环更新方程可能缓解困扰 VIN 的优化问题。所得到的架构,我们称之为门控路径规划网络,经实证被证明在多种指标(如学习速度、超参数敏感性、迭代次数乃至泛化能力)上优于 VIN。此外,我们表明这一性能差距在不同迷宫转移类型、迷宫尺寸下保持一致,甚至在一个具有挑战性的 3D 环境中取得成功,其中规划器仅被提供第一人称 RGB 图像。
引用
@article{arxiv.1806.06408,
title = {Gated Path Planning Networks},
author = {Lisa Lee and Emilio Parisotto and Devendra Singh Chaplot and Eric Xing and Ruslan Salakhutdinov},
journal= {arXiv preprint arXiv:1806.06408},
year = {2018}
}
备注
ICML 2018