学习空间和时间的层次结构:多房间迷宫环境中的层次化主动推理导航
研究提出了一个分层主动推断模型,以应对从基于像素的观察中推断世界结构的挑战,其中包含认知地图,客体 / 自体世界模型和目标导向行为,能够在基于房间的小型网格环境中实现高效的探索和目标导向搜索。
Jun, 2023
本文提出了一种将统计模型的认知地图形成与支持不确定性规划的主动推理代理进行集成的方法,并通过在三个空间导航场景中比较原始克隆图代理和主动推理驱动的克隆图代理,证明了尽管两种代理在简单场景中都有效,但主动推理代理在具有关于位置的模糊信息的挑战性场景中的规划更有效。
Aug, 2023
该研究使用神经网络学习 32 种动物的特征向量,并基于继承表示原理构建了一个 “动物空间” 的认知地图,该地图能够使用插值技术准确地表示完全新的或不完整的输入,并在不同的认知地图级别中呈现出不同的特征。
Oct, 2022
本文提出了一种通过主动学习生成语义地图的框架,在未知环境下实现目标物体导航,通过在未观察区域内的语义类别的不确定性进行决策,实现了对场景中语义优先级的学习,并在 Matterport3D 数据库上验证了改进的导航效果。
Jun, 2021
介绍了一种使用继任表示和神经网络的模型,以及单词嵌入向量,用于构建三个不同概念的认知图,从而根据输入提供多模态上下文信息,基于输入和预先存在的知识表示的相似性度量。
Jul, 2023
本文提出了一种层次化学习方法,包括高层的规划和记忆以及低层的房间导航和物品寻找,通过简单的合成语言为代理提供指令,同时使用另一个目标评估模块将指令映射到视觉观察中。在一个动态可配置的家庭环境中验证了该方法的有效性。
Nov, 2022
认知地图通过整理和检索记忆中的上下文,提供了高效组织大脑信息的方法。通过使用基于继任表示的多模式神经网络,我们可以成功建立认知地图模型。多模式输入包括图像和单词嵌入,网络通过学习不同输入之间的相似性,实现了对认知地图的有效表示。预测网络可以用于从一种模态推断到另一种模态,并且具有超过 90% 的准确率。这种方法有望改进当前的人工智能系统,提高对环境和不同模态下物体出现的理解能力。
Dec, 2023
我们提出了一种新颖的导航特定的视觉表示学习方法,通过对比代理的自我中心视图和语义地图(Ego$^2$-Map),将地图中的紧凑且丰富的信息转移到代理的自我中心表示中,从而实现室内导航。我们的实验结果表明,采用我们学习到的表示的代理在目标导航中优于最近的视觉预训练方法,并且我们的表示显著改善了连续环境下的视觉和语言导航,在高级和低级行动空间上均取得了 47%的 SR 和 41%的 SPL 的最新最佳结果。
Jul, 2023
Tolman's ideas on latent learning and cognitive maps led to conceptual space representation and proposed autonomous navigation as a valid approach for emulated cognition via neoRL navigation of conceptual space that resembles biological learning.
Feb, 2022
通过动态规划,我们指的是人脑推断和施加与认知决策相关的运动轨迹的能力。最近的范式 —— 主动推断,为生物有机体的适应提供了基本见解,不断努力减小预测误差以限制在适合生活的状态中。在过去的几年中,许多研究表明,人类和动物行为可以用主动推断的过程来解释,无论是作为离散决策还是连续运动控制,这激发了机器人技术和人工智能领域的创新解决方案。然而,文献对于如何在不断变化的环境中有效规划行动仍缺乏全面的展望。本研究以建模工具使用为目标,深入探讨了主动推断中的动态规划主题,牢记生物目标导向行为的两个关键方面:理解和利用物体操纵的作用机会,以及学习自身与环境(包括其他代理者)之间的分层交互。我们从一个简单单元开始,逐渐描述更高级的结构,比较最近提出的设计选择,并为每个部分提供基本示例。本研究与传统的神经网络和强化学习的观点不同,指向主动推断中尚未开拓的方向:分层模型中的混合表示。
Feb, 2024