使用主动神经 SLAM 学习探索
计算机视觉与模式识别
2020-04-13 v1 人工智能
机器学习
机器人学
摘要
本工作提出一种模块化、分层的方法来学习探索 3D 环境的策略，称为“主动神经 SLAM（Active Neural SLAM）”。我们的方法结合了经典方法与基于学习方法的优势，将解析路径规划器与学习型 SLAM 模块以及全局与局部策略结合使用。学习的使用在输入模态方面（于 SLAM 模块中）提供了灵活性，利用了世界的结构规律性（于全局策略中），并对状态估计中的误差提供了鲁棒性（于局部策略中）。在每个模块中如此使用学习保留了其益处，同时分层分解与模块化训练使我们能够规避与端到端策略训练相关的高样本复杂度。我们在视觉与物理逼真的模拟 3D 环境中的实验证明了我们的方法相对于过往基于学习与基于几何的方法的有效性。所提出的模型也可轻松迁移至 PointGoal 任务，并且是 CVPR 2019 Habitat PointGoal Navigation Challenge 的获胜方案。
引用
@article{arxiv.2004.05155,
title = {Learning to Explore using Active Neural SLAM},
author = {Devendra Singh Chaplot and Dhiraj Gandhi and Saurabh Gupta and Abhinav Gupta and Ruslan Salakhutdinov},
journal= {arXiv preprint arXiv:2004.05155},
year = {2020}
}
备注
Published in ICLR-2020. See the project webpage at https://devendrachaplot.github.io/projects/Neural-SLAM for supplementary videos. The code is available at https://github.com/devendrachaplot/Neural-SLAM