物体导航中学习终止
机器人学
2023-09-29 v1 计算机视觉与模式识别
摘要
本文解决自主导航系统中物体导航的关键挑战，尤其聚焦于基于深度强化学习（DRL）方法、在最优回合长度较长的环境中目标接近与回合终止的问题。常规 DRL 方法在环境探索与物体定位上有效，但因缺乏深度信息，常在最优路径规划与终止识别上表现不佳。为克服这些局限，我们提出一种新方法，即深度推断终止智能体（DITA），其引入称为判断模型的监督模型，以隐式推断物体级深度并与强化学习联合决策终止。我们并行训练判断模型与强化学习，并借由奖励信号高效监督前者。评估表明该方法性能优越：在所有房间类型上成功率较基线提升 9.3%，在长回合环境中提升 51.2%，同时保持略优的按路径长度加权的成功率（SPL）。代码与资源、可视化见：https://github.com/HuskyKingdom/DITA_acml2023
引用
@article{arxiv.2309.16164,
title = {Learning to Terminate in Object Navigation},
author = {Yuhang Song and Anh Nguyen and Chun-Yi Lee},
journal= {arXiv preprint arXiv:2309.16164},
year = {2023}
}
备注
16 pages