REGNav：房间专家引导的图像目标导航

图像目标导航旨在引导智能体到达由图像指定的目标位置。大多数先前的方法通过学习导航策略来解决这一任务，该策略提取目标图像和观测图像的视觉特征，比较它们的相似性并预测动作。然而，如果智能体与目标图像处于不同的房间，识别它们的相似性并推断可能的目标位置极具挑战性，这可能导致智能体四处徘徊。直觉上，当人类执行此任务时，他们可能会粗略地将当前观测与目标图像进行比较，在执行动作之前大致判断自己是否在同一个房间。受此直觉启发，我们尝试模仿人类行为，提出了一种房间专家引导的图像目标导航模型（REGNav），使智能体具备分析目标图像和观测图像是否在同一房间拍摄的能力。具体而言，我们首先在自行收集的无标签房间图像上使用无监督学习技术预训练一个房间专家。该专家能够提取目标图像和观测图像隐藏的房间风格信息，并预测它们是否属于同一房间的关系。此外，我们探索了两种不同的融合方法，以利用房间关系知识高效引导智能体导航。大量实验表明，我们的 REGNav 在三个流行的基准测试上超越了先前最先进的工作。