集成自我中心定位以实现更真实的点目标导航智能体
计算机视觉与模式识别
2020-09-08 v1 人工智能
机器学习
摘要
近期工作提出了能够在未知室内环境中以近乎完美的精度导航至点目标（point-goal）的具身智能体。然而，这些智能体配备了理想化的定位传感器并采取确定性动作。与真实世界中噪声传感器和执行器的混乱现实相比，这一设定实际上过于理想——轮子会打滑、运动传感器有误差、执行动作会回弹。在这项工作中，我们向这一噪声现实迈进一步，开发了在噪声动作动态下依赖自我运动视觉估计的点目标导航智能体。我们发现这些智能体优于当前点目标智能体在该设定下的朴素适配版本，也优于那些集成了经典定位基线的版本。此外，我们的模型在概念上将学习智能体动态或里程计（我在哪里？）与任务特定的导航策略（我想去哪里？）分开。这使得通过简单地重新校准视觉里程计模型即可无缝适应变化的动态（不同的机器人或地面类型），从而避免了重新训练导航策略的开销。我们的智能体在 CVPR 2020 Habitat 挑战赛的 PointNav 赛道中获得亚军。
引用
@article{arxiv.2009.03231,
title = {Integrating Egocentric Localization for More Realistic Point-Goal Navigation Agents},
author = {Samyak Datta and Oleksandr Maksymets and Judy Hoffman and Stefan Lee and Dhruv Batra and Devi Parikh},
journal= {arXiv preprint arXiv:2009.03231},
year = {2020}
}