基于动态学习神经隐式表示的多物体导航
计算机视觉与模式识别
2023-09-28 v2 机器学习
机器人学
摘要
理解和映射新环境是任何自主导航智能体的核心能力。经典机器人学通常以独立方式使用SLAM变体估计地图，并维护拓扑或度量表示；而端到端导航学习则在神经网络中保留某种形式的记忆。网络通常被赋予归纳偏置，其范围从向量表示到鸟瞰度量张量或拓扑结构。在本工作中，我们提出用两种神经隐式表示来构建神经网络，这些表示在每个回合中动态学习并映射场景内容： 语义查找器预测先前见过的被查询物体的位置； 占据与探索隐式表示封装了关于已探索区域和障碍物的信息，并通过一种新颖的全局读取机制进行查询，该机制直接从函数空间映射到可用的嵌入空间。这两种表示均由通过强化学习(RL)训练的智能体所利用，并在每个回合中在线学习。我们在多物体导航任务上评估了该智能体，并展示了使用神经隐式表示作为记忆源的高影响力。
引用
@article{arxiv.2210.05129,
title = {Multi-Object Navigation with dynamically learned neural implicit representations},
author = {Pierre Marza and Laetitia Matignon and Olivier Simonin and Christian Wolf},
journal= {arXiv preprint arXiv:2210.05129},
year = {2023}
}