Jul, 2023

基于神经启发的分段回忆式高效地图构建

PDF
TL;DR该论文提出了一种名为 FarMap 的映射策略，通过惊奇 - 基于聚类的空间切割来建立本地映射和大脑的记忆，从而有效地解决了在大型环境中的空间探索问题。
farmapmappingexplorationsurprisal-based clusteringonline clustering
发现论文，激发创造
  • 神经启发的碎片化和回忆：解决好奇心中的灾难性遗忘

    在大型环境中，深度强化学习方法在多个任务上表现出色，但在具有稀疏奖励的困难探索任务上仍然面临困难。本研究发现基于预测的内在奖励方法可能出现灾难性遗忘，并提出了一种名为 FARCuriosity 的新方法，通过碎片化和回溯来减轻灾难性遗忘问题，提升了在具有不同环境的游戏中的性能表现。

    Oct, 2023

  • 盲人导航智能体记忆中的地图生成

    本研究研究了机器（人工智能导航代理）是否也能建立内在空间表征或地图，通过对盲智能体进行训练，发现即使在没有预先设定机制条件的情况下，盲智能体也能通过记忆体和选择性建立地图，并表现出智能行为，这证明了地图是导航的基本机制之一。

    Jan, 2023

  • 基于地图的经验回放：强化学习中灾难性遗忘的一种内存高效解决方案

    该研究采用基于心理认知的重新记忆策略，通过构建一个基于地图的经验重播存储库，减少了记忆体的大小，并增加了样本之间的相关性，从而有效地解决了深度增强学习代理在处理新数据时可能出现的忘记先前解决方案的问题。

    May, 2023

  • 基于推断的后继映射进行更好的迁移学习

    我们提出了一种算法来解决多任务学习中的转移问题，该算法结合了因子化表示和非参数、基于记忆的方法，并利用后继表示法来提高转移能力和性能表现。同时，该算法提供了一个更好的神经生物学模型来解释海马体区域的空间编码特征。

    Jun, 2019

  • 使用 Affordance Map 学习移动

    本文提出了一种基于自监督学习的模块化方法，该方法将传统的几何规划与学习空间场景表示相结合，以实现对动态对象和语义约束进行自主探索和导航。在基于 VizDoom 的仿真环境中得到了验证。

    Jan, 2020

  • MemoNav: 视觉导航的工作记忆模型

    MemoNav 是一种新型的内存模型，利用工作内存类似的流水线来提高图像目标导航的性能，通过三种类型的导航内存以及场景特征的学习和利用，使得代理能够学习并利用与目标相关的场景特征在拓扑图中进行高效导航，实验证明 MemoNav 在吉布森和 Matterport3D 场景的多目标任务中显著优于先前的方法，定性结果进一步说明 MemoNav 规划更高效的路径。

    Feb, 2024

  • 学习跟随：基于规划和学习的去中心化多智能体路径规划

    在这项工作中，我们研究了分布式多智能体路径规划问题的设置，通过集成启发式搜索和强化学习方法，提出了一种解决复杂的问题的方法。我们的方法在广泛的设置中得到了验证，并且在吞吐量和泛化能力上表现优越，同时比现有的基于规则和基于搜索的解决方法快一个数量级。

    Oct, 2023

  • 针对大地图的高效机器人定位的区域预测

    本文提出了一种预选地图节点进行场所识别的新方法，并将其与 RTAB-Map 集成，证明了其在实时导航中的有效性。

    Mar, 2023

  • 利用鼹鼠学习：可转移的潜在空间表示，实现无需重建的导航

    本研究提出通过盲辅助代理训练学习场景的可操作表示，用于导航决策，并且经实验证明该学习表示方式在处理复杂环境及从模拟到真实场景的转换时具有很好的鲁棒性。

    Jun, 2023

  • PRIMAL: 通过强化学习和模仿多智能体学习进行路径规划

    该研究提出了 PRIMAL，一种新的多智能体路径规划框架，结合了强化学习和模仿学习，用于训练全分散策略，在部分可观测的环境中在线反应式规划路径，具有隐式协调性。该框架通过引入专家规划器的演示，细心的奖励重新塑造和环境抽样，扩展了以前我们在协作策略的分布式学习方面的工作。最终，该研究还在模拟机器人实验中验证了所学策略的性能。

    Sep, 2018