将其推开：交互式视觉导航

我们已观察到具身智能体视觉导航的显著进展。研究视觉导航的一个常见假设是环境为静态的；这是一个限制性假设。智能导航可能包含超越单纯前进/后退与左转/右转的环境交互。有时，导航的最佳方式是推开挡路的物体。本文中，我们研究交互式导航问题，其中智能体学习改变环境以更高效地导航至目标。为此，我们引入神经交互引擎（NIE）来显式预测智能体动作引起的环境变化。通过在规划中建模这些变化，我们发现智能体的导航能力得到显著提升。更具体地，我们在支持物理、视觉丰富的 AI2-THOR 环境中考虑两个下游任务：（1）在通往目标的路径被阻挡时到达目标；（2）通过推动将物体移至目标位置。在两项任务中，配备 NIE 的智能体均显著优于不理解动作效果的智能体，表明了我们所提方法的益处。