多房间环境、路径规划及其他控制任务中使用可预测与慢特征分析的全局导航
机器学习
2018-05-23 v1 机器学习
摘要
扩展可预测特征分析（PFAx）[Richthofer and Wiskott, 2017] 是 PFA [Richthofer and Wiskott, 2015] 的扩展，允许生成智能体的目标导向控制信号，该智能体的动力学此前已在无监督训练阶段中学习。PFAx 几乎不需要关于智能体传感器或控制机制或环境的假设与先验知识。它依据内在可预测性从高维输入中选取特征并将其组织为维度足够低的模型。PFA 获得良好可预测的模型，而 PFAx 产生理想地适用于具有可预测结果的操作的模型。这允许对智能体进行目标导向操作，从而实现局部导航，即到达可通过永久下降到目标距离来选择中间动作的状态。该方法在涉及障碍物或多房间的全局导航时存在局限。在本文中，我们扩展 [Sprekeler and Wiskott, 2008] 的理论结果，使 PFAx 能执行稳定的全局导航。迄今为止，慢特征分析（SFA）被最广泛利用的特性是慢性产生不变性。我们关注慢信号的另一基本特性：它们往往产生单调性，而单调性的一个重要性质是局部优化足以找到全局最优。我们提出一种基于 SFA 的算法，其对环境进行结构化使得导航任务分层分解为子目标。其中每一个都可由 PFAx 高效达成，从而产生任务的全局整体解。该算法只需探索并处理环境一次，之后便可高效执行各类导航任务。我们以数学理论支撑该算法并将其应用于不同问题。
引用
@article{arxiv.1805.08565,
title = {Global Navigation Using Predictable and Slow Feature Analysis in Multiroom Environments, Path Planning and Other Control Tasks},
author = {Stefan Richthofer and Laurenz Wiskott},
journal= {arXiv preprint arXiv:1805.08565},
year = {2018}
}