如何在（样本与计算）预算下训练 PointGoal 导航智能体
计算机视觉与模式识别
2020-12-14 v1 人工智能
机器学习
机器人学
摘要
PointGoal 导航在 Habitat 平台及相关挑战赛的推动下，近期受到显著关注并取得进展。在本文中，我们在样本预算（7500 万帧）与计算预算（1 GPU 运行 1 天）下研究 PointGoal 导航。我们进行了大量实验，累计超过 50,000 GPU-小时，借此识别并讨论若干表面微小但重要的设计选择——优势估计过程（训练中的关键组件）、视觉编码器架构以及一个看似微小的超参数改动。总体而言，这些设计选择相较 Savva 等人提出的基线带来了可观且一致的改进。在样本预算下，RGB-D 智能体在 Gibson 上的性能提升 8 SPL（相对改进 14%），在 Matterport3D 上提升 20 SPL（相对改进 38%）。在计算预算下，RGB-D 智能体在 Gibson 上提升 19 SPL（相对改进 32%），在 Matterport3D 上提升 35 SPL（相对改进 220%）。我们希望我们的发现与建议能令社区的实验更高效。
引用
@article{arxiv.2012.06117,
title = {How to Train PointGoal Navigation Agents on a (Sample and Compute) Budget},
author = {Erik Wijmans and Irfan Essa and Dhruv Batra},
journal= {arXiv preprint arXiv:2012.06117},
year = {2020}
}