Jul, 2019

学习与否：虚拟环境导航学习作用分析

PDF
TL;DR本文旨在比较基于学习的方法和经典方法在虚拟环境导航方面的表现，并通过对两个标准基准测试 MINOS 和 Stanford 大规模 3D 室内空间的经典导航代理的构建，证明了经典代理的优越性。同时，我们进行了详细的分析，研究学习代理和经典代理的优缺点以及虚拟环境特征对人员导航带来的影响。结果表明，学习代理在碰撞避免和存储管理方面较差，但在处理模糊性和噪声方面表现更佳。这些结果可以为未来导航代理的设计提供参考。
发现论文，激发创造
  • 经典和基于学习的导航在复杂 3D 环境中的基准测试

    本文探索经典导航和基于学习的导航的协调方法，通过在不同的模拟环境中进行测试和评估，发现经典系统在复杂的杂乱环境中能够表现出非常好的性能，而学习系统能够在有限的传感器套件下更加稳健地运行，但两种方法都远未达到人类水平的表现。

    Jan, 2019

  • 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

  • 从经验中学习机器人导航：原则、方法和最新成果

    本文介绍了一种用机器学习来提高机器人导航技能的学习工具箱及其设计原则，并总结了作者们最近研究的实验结果和未来工作的方向。

    Dec, 2022

  • 具身视觉导航的深度学习：一项综述

    综述了目前关于具有各种智能技能的智能机器人在 3D 环境中进行导航的研究领域，着重介绍了在这一领域内的各种高级技能，例如：感知局部观察视觉输入，理解跨模态的指令等等，并探讨了未来的研究方向及挑战。

    Jul, 2021

  • 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

  • 无地图城市导航学习

    该论文提出一种基于深度强化学习的城市级别自主导航模型，采用 Google StreetView 进行环境交互和训练，具备可迁移性和区域特征一致性，实现了在多个城市环境下自主导航到目标位置。

    Mar, 2018

  • 学习如何学习：利用元学习进行自适应视觉导航

    本文探讨学习任务的连续性以及自适应性，并提出了一种元强化学习方法（SAVN），它能够在缺乏显式监督的情况下自适应地适应新环境，实验显示其在视觉导航中成功率和 SPL 指标上均有显著提高。

    Dec, 2018

  • 视觉语言导航智能体的行为分析

    为了成功，视觉语言导航（VLN）代理人必须能够根据周围环境将指令与行动联系起来。本研究开发了一种研究基于技能的代理人行为的方法，检查现有代理人在停止、转向和移动向指定对象或房间方面如何准确地进行指令的实施。我们的方法基于生成针对不同技能的干预措施，并测量代理人预测的变化。我们展示了一个详细的案例研究，分析了最新代理人的行为，然后比较了多个代理人在技能特定的能力评分方面。这种分析表明，训练中的偏见对代理人的行为具有持久影响，并且现有的模型能够建立简单的指称表达式。我们在模型之间的比较中发现，技能特定的评分与整体 VLN 任务表现的改进相关。

    Jul, 2023

  • 关于具身导航代理的评估

    人工智能中探讨在三维环境下的熟练的移动操作是一个主要研究主题，为了协调指南与评估协议，本文介绍了实证方法的不同问题声明及概述，介绍了评估措施和提供了可用于基准测试的标准情境。

    Jul, 2018

  • 利用虚拟现实演示学习个性化的、具有人类意识的机器人导航 —— 来自用户研究的证明

    本研究提出了一个新的增强学习框架，通过直观的虚拟现实演示界面，训练个性化的导航控制器。用户研究表明，我们的个性化方法显著优于传统方法，学习到的控制器具有良好的泛化性能和在导航过程中反映用户偏好的能力。最后，我们将导航控制器转移到真实机器人上，保持了较好的性能。

    Mar, 2022