无地图城市导航学习
人工智能
2019-01-11 v3
摘要
在非结构化环境中导航是智能生物的基本能力,因此在人工智能的研究与开发中具有根本性的意义。长距离导航是一项复杂的认知任务,依赖于建立空间的内部表征,该表征以可识别的地标和稳健的视觉处理为基础,能够同时支持连续的自我定位(“我在这里”)和目标表征(“我要去那里”)。基于近期将深度强化学习应用于迷宫导航问题的研究,我们提出了一种可应用于城市尺度的端到端深度强化学习方法。认识到成功导航依赖于通用策略与特定区域知识的整合,我们提出了一种双通路架构,使特定区域特征得以封装,同时仍支持向多个城市的迁移。我们提出了一个使用 Google StreetView 提供照片内容和全球覆盖的交互式导航环境,并证明我们的学习方法使智能体能够学会在多个城市中导航并穿越至可能数公里外的目标目的地。项目网页 http://streetlearn.cc 包含总结我们研究并展示训练后智能体在多样城市环境及迁移任务中的视频、申请 StreetLearn 数据集的表单以及进一步资源的链接。StreetLearn 环境代码可在 https://github.com/deepmind/streetlearn 获取。
引用
@article{arxiv.1804.00168,
title = {Learning to Navigate in Cities Without a Map},
author = {Piotr Mirowski and Matthew Koichi Grimes and Mateusz Malinowski and Karl Moritz Hermann and Keith Anderson and Denis Teplyashin and Karen Simonyan and Koray Kavukcuoglu and Andrew Zisserman and Raia Hadsell},
journal= {arXiv preprint arXiv:1804.00168},
year = {2019}
}
备注
17 pages, 16 figures, published at NeurIPS 2018