基于目标条件分层预测器的长视野视觉规划
机器学习
2020-12-01 v2 人工智能
计算机视觉与模式识别
机器人学
机器学习
摘要
预测和规划未来的能力对世界中的智能体而言是基础性的。为抵达遥远目标，我们在多个时间尺度上预测轨迹，先制定通往目标的粗略计划，再逐步填充细节。相比之下，当前的视觉预测与规划学习方法在长视野任务上失败，因为它们生成的预测（1）未考虑目标信息，（2）以最细时间分辨率逐步进行。本工作中我们提出一种能克服这两类局限的视觉预测与规划框架。首先，我们形式化朝向目标的预测问题，并提出相应的潜空间目标条件预测器（GCPs）类。GCPs 通过将搜索空间约束为仅那些抵达目标的轨迹，显著提升了规划效率。进一步，我们展示 GCPs 如何自然地被表述为分层模型：给定两个观测，预测它们之间的一个观测，并通过递归细分轨迹的每一段生成完整序列。这种分治策略在长期预测上有效，并使我们能设计一种以由粗到细方式优化轨迹的高效分层规划算法。我们表明，通过同时使用目标条件与分层预测，GCPs 使我们能解决比以往可能视野长得多的视觉规划任务。
引用
@article{arxiv.2006.13205,
title = {Long-Horizon Visual Planning with Goal-Conditioned Hierarchical Predictors},
author = {Karl Pertsch and Oleh Rybkin and Frederik Ebert and Chelsea Finn and Dinesh Jayaraman and Sergey Levine},
journal= {arXiv preprint arXiv:2006.13205},
year = {2020}
}
备注
Project page: orybkin.github.io/video-gcp. KP and OR contributed equally