NeoNav：通过生成下一预期观测提升视觉导航的泛化能力
机器人学
2022-01-11 v4 计算机视觉与模式识别
机器学习
摘要
我们提出通过学习一个由构想其预期将看到的下一观测所引导的智能体，来改善视觉导航的跨目标与跨场景泛化能力。这通过训练一个称为 NeoNav 的变分贝叶斯模型实现，该模型基于智能体当前观测与目标视图生成下一预期观测（NEO）。我们的生成模型通过优化一个包含两项关键设计的变分目标进行学习。首先，潜变量分布以当前观测和目标视图为条件，从而实现基于模型、目标驱动的导航。其次，潜空间被建模为以当前观测和下一最佳动作为条件的混合高斯。我们对混合后验先验的使用有效缓解了潜空间过度正则化的问题，从而显著提升了模型对新目标和新场景的泛化能力。此外，NEO 生成对智能体—环境交互的前向动力学进行建模，改善了近似推断的质量，进而有益于数据效率。我们在真实世界与合成基准上进行了广泛评估，表明我们的模型在成功率、数据效率和泛化能力方面持续优于最先进的模型。
引用
@article{arxiv.1906.07207,
title = {NeoNav: Improving the Generalization of Visual Navigation via Generating Next Expected Observations},
author = {Qiaoyun Wu and Dinesh Manocha and Jun Wang and Kai Xu},
journal= {arXiv preprint arXiv:1906.07207},
year = {2022}
}
备注
added experiments, accepted by AAAI, Corresponding author: Kai Xu ([email protected])