用于具身视觉导航的对称性感知神经架构
计算机视觉与模式识别
2021-12-20 v1 人工智能
摘要
视觉探索是一项力求尽快访问环境中所有可导航区域的任务。现有方法采用深度强化学习 (RL) 作为该任务的标准工具。然而，它们往往易受训练与测试数据间统计偏移的影响，导致在偏离训练数据分布 (OOD) 的新环境中泛化能力差。本文中，我们试图利用该任务可用的归纳偏置来提升泛化能力。以使用优势 actor-critic (A2C) 方法学习探索策略的主动神经 SLAM (ANS) 为基础框架，我们首先指出 actor 与 critic 所表示的映射应满足特定对称性。随后我们提出一种 actor 与 critic 的网络设计以固有地获得这些对称性。具体而言，我们使用 -卷积替代标准卷积，并在 critic 网络末段插入本研究新设计的半全局极坐标池化 (SGPP) 层。实验结果表明，当在 Gibson 数据集上训练并在 MP3D 数据集上测试时，我们的方法将区域覆盖率提升了 ，确立了新的 SOTA。
引用
@article{arxiv.2112.09515,
title = {Symmetry-aware Neural Architecture for Embodied Visual Navigation},
author = {Shuang Liu and Takayuki Okatani},
journal= {arXiv preprint arXiv:2112.09515},
year = {2021}
}