通过生长深度网络学习导航
机器人学
2017-12-15 v1 计算机视觉与模式识别
摘要
适应性是自主性的核心。直观上，对于基于视觉导航等高维学习问题，具有更高复杂度的内部模型能够精确编码可用信息。然而，大多数学习方法依赖于具有固定结构与复杂度的模型。本文中，我们提出一种自监督框架，使机器人无需任何环境先验知识，通过在新数据可用时增量构建深度网络结构来学习导航。我们的框架以自监督方式从单目相机捕获图像并为图像自标注，基于自编码器（AE）从计算高效的自适应深度架构持续训练并预测动作。该深度架构称为强化自适应去噪自编码器（RA-DAE），使用强化学习通过添加或移除神经元动态改变网络结构。我们在仿真及真实室内外环境中进行了实验以评估自监督导航的潜力。RA-DAE 表现出优于同等非自适应深度学习替代方案的性能，并能够继续扩展其知识，权衡过去与当前信息。
引用
@article{arxiv.1712.05084,
title = {Learning to Navigate by Growing Deep Networks},
author = {Thushan Ganegedara and Lionel Ott and Fabio Ramos},
journal= {arXiv preprint arXiv:1712.05084},
year = {2017}
}
备注
10 pages, Australasian Conference on Robotics and Automation, 2017