Mar, 2019

学习导航探索策略

PDF
TL;DR本研究提出了使用基于学习的方法，实现任务无关的探索性导航的想法，在对比传统的使用几何技术和通用学习技术的情况下，所采用的包括了空间记忆的策略可以更好地探索新的 3D 环境，并将其用于下游任务。
exploration3d environmentslearning-based approachspatial memorydown-stream tasks
发现论文，激发创造
  • 学习在复杂环境中导航

    利用增强学习问题和多模态感应输入的辅助深度预测和循环闭环分类任务，可以学习从复杂 3D 迷宫中进行导航并接近人类级别表现

    Nov, 2016

  • 从单一遍历中学习可部署的千米级导航策略

    通过单次覆盖遍历记录数据，提出了一种有效地在移动机器人上快速学习面向目标导航策略的方法，并且能够在实际机器人上成功地部署，同时能够处理测试时的环境外观差异。

    Jul, 2018

  • 有趣的对象，好奇的智能体：学习与任务无关的探索

    本研究提出了一种新的任务无关探索方法，将学习到的策略转移到不同的环境下，通过评估基线策略和探索组件，提高在多个测试环境下的一致性探索。

    Nov, 2021

  • 学习环顾四周：智能探索未知任务的未见环境

    通过奖励代理的减少未观测环境部分的不确定性的行为，我们提出了一种基于循环神经网络的强化学习方法来实现对自然场景和三维物体的主动完成，并演示了我们的方法学习到的通用策略对于新的未见环境和任务具有较好的泛化性。

    Sep, 2017

  • 学习主动任务导向的探索策略，弥合模拟与现实之间的差距

    本文提出并分析了一种基于任务导向探索的框架，该框架通过在模拟环境中学习任务导向的探索策略来标识任务相关的系统参数，并将这些参数用于在现实世界中进行基于模型的轨迹优化。实验表明，任务导向的探索有助于在系统参数未知时，使基于模型的策略适应更好，从而实现更好的任务表现。

    Jun, 2020

  • 在逼真环境中学习视觉导航，无需任何监督

    提出了一种无需外部监督或奖励的新方法，通过三个阶段，学习从图像输入进行导航：学习视角的良好表示，然后使用内存进行探索，最后通过设置自己的目标来学习导航。该模型仅使用内在奖励进行培训，因此适用于任何具有图像观察的环境。通过使用 RGB 输入训练代理在具有挑战性的 Gibson 数据集的逼真环境中导航的好处。

    Apr, 2020

  • 通过知情策略正则化在动态环境下学习自适应探索策略

    本文研究了学习探索 - 利用策略来适应动态环境的问题，并提出了一种使用信息策略对 RNN-based 策略进行训练的新算法来规范化训练，从而显著减少了训练样本的复杂性。这种方法学习了一些探索策略，使其可以高效地平衡对于未知和变化的任务中获取信息以及随时间最大化回报的问题，并在多种环境中进行了测试。

    May, 2020

  • 高效探索的层次化技能

    本文介绍了一种新的分层技能学习框架，利用无监督学习获得不同复杂度的技能，并自动权衡技能的通用性和特定性，用于动态任务，并表明这种方法产生比现有方法更好的结果。

    Oct, 2021

  • 可转移的图探索学习

    该研究考虑了人工智能中尚未开发过的环境在探索方面的问题，并提出了一种从环境分布中学习策略的方法，将其作为强化学习任务来处理，以期能够在最短的步数内访问尽可能多的独特状态。实验结果表明，该方法在空间地图探索和领域特定程序和现实世界移动应用的覆盖率导向软件测试方面表现出色。

    Oct, 2019

  • 学习新任务的策略

    本文提出一种强化学习算法，通过自编码器将已发现策略的状态序列进行度量，以此产生新的策略，同时利用两个目标的策略梯度算法在策略更新中权衡任务奖励和新颖度奖励，最终得到一些解决特定任务和具有差异化行动序列的策略，并展示该方法在迷宫导航，机械臂和蹦跳机器人的运动任务以及对抗性任务中的有效性。

    May, 2019