StreetLearn 环境与数据集
人工智能
2019-03-06 v1 计算机视觉与模式识别
机器人学
摘要
导航是一个丰富且根基扎实的问题域，推动了许多不同研究领域的进展：尤其是感知、规划、记忆、探索和优化。历史上这些挑战被分别考虑，并构建了依赖静态数据集（例如，通过环境的记录轨迹）的解决方案。然而，这些数据集不能用于决策和强化学习，并且总体上将导航视为交互式学习任务（其中学习智能体的动作和行为与感知和规划同时学习）的观点相对缺乏支持。因此，现有的导航基准通常依赖静态数据集（Geiger 等，2013；Kendall 等，2015）或模拟器（Beattie 等，2016；Shah 等，2018）。为支持和验证端到端导航研究，我们提出 StreetLearn：一个交互式、第一人称、部分可观测的视觉环境，它使用 Google 街景作为其摄影内容和广泛覆盖，并给出一个具有挑战性的目标驱动导航任务的性能基线。环境代码、基线智能体代码和数据集可在 http://streetlearn.cc 获取。
引用
@article{arxiv.1903.01292,
title = {The StreetLearn Environment and Dataset},
author = {Piotr Mirowski and Andras Banki-Horvath and Keith Anderson and Denis Teplyashin and Karl Moritz Hermann and Mateusz Malinowski and Matthew Koichi Grimes and Karen Simonyan and Koray Kavukcuoglu and Andrew Zisserman and Raia Hadsell},
journal= {arXiv preprint arXiv:1903.01292},
year = {2019}
}
备注
13 pages, 6 figures, 4 tables. arXiv admin note: text overlap with arXiv:1804.00168