序列无关的多物体导航
本文研究了多目标导航任务,通过四个模块(物体检测、语义地图构建、环境探索和导航)来解决此任务。结果表明,在 MultiON 任务中,采用 PointGoal 导航模型优于从头开始学习导航。与分析路径规划相比,基于 Agent 的导航模块表现更好。同时也探讨了探索策略并发现随机探索策略显著优于更高级的探索方法。我们还创建了 MultiON 2.0 数据集作为我们方法的测试平台。
Apr, 2023
本文探讨了在三维环境中进行导航任务的挑战以及地图类记忆对导航任务的影响,提出了新的 MultiON 任务,通过一系列实验考察了不同复杂度任务下代理模型的表现,发现简单语义地图代理的表现相对更优,但神经图像特征地图代理和 oracle 地图代理也存在局限性,可能需要进一步的训练和研究。
Dec, 2020
我们提出了一种混合导航方法,将多对象导航(Multi-ON)任务分解为两个不同的技能:(1)使用经典 SLAM 和符号规划器处理航路点导航,而(2)使用结合监督学习和强化学习训练的深度神经网络处理探索、语义建图和目标检索,我们展示了该方法在模拟和真实环境中相对于端到端方法的优势,并超越了该任务的最先进技术。
Jan, 2024
Zero-Shot Object Navigation (ZSON) mainly focuses on following individual instructions to find generic object classes, while Zero-shot Interactive Personalized Object Navigation (ZIPON) introduces Open-woRld Interactive persOnalized Navigation (ORION) framework that uses Large Language Models (LLMs) to navigate to personalized goal objects while engaging in conversations with users, showing significant improvement with interactive agents that can leverage user feedback, but the balance between task completion and the efficiency of navigation and interaction remains challenging.
Oct, 2023
提出一个名为 MO-VLN 的基准测试系统,用于测试机器人智能导航的效果和泛化能力。该系统包含三个逼真的 3D 场景,并涉及多个复杂的非常见物体,任务包括目标定位和高级指令追踪等。
Jun, 2023
本文提出了一种基于多智能体协作的视觉语义导航方法,通过分层决策框架、场景先验知识和通信机制,可以使多个机器人协同完成探索任务,并在测试实验中表现出与单一智能体模型相比更高的准确性和效率。
Sep, 2021
本研究致力于解决机器人在三维物体场景中远距离导航的问题,通过引入一种新的基于图反向传播的算法提高了导航的准确性并在包括 objective ambiguity 的复杂环境中进行了测试。
Mar, 2021
本文探究了如何利用多传感器数据融合和最先进的机器学习算法,实现名为视觉语义导航的任务,在不需要先验环境知识的情况下使用自我中心视觉观测来到达属于目标语义类别的物体。我们的方法在 Habitat Challenge 2021 ObjectNav 的 Minival 阶段和 Test-Standard 阶段中,取得了第四名的成绩。
Jun, 2021
该研究使用深度强化学习方法,通过增量构建语义地图和选择长期目标来实现目标导航,并通过数据增强和 Q 函数正则化等方法明显提高了模型性能。
Aug, 2022