Feb, 2024

封建网络：视觉导航

PDF
TL;DR通过使用封建学习的新方法，我们构建了一个由工人代理、中层经理和高层经理组成的层次结构，其中，高层经理使用自我监督的方式学习了一个内在空间的记忆代理图，中层经理经由一种新的代理网络进行训练，以模仿人类在局部导航过程中选择中间目标的行为，从而实现了接近最强系统的表现，并提供了一种新的、无强化学习、无图表、无测距法、无度量图的图像目标导航方法。
visual navigationfeudal learninghierarchical structurememory proxy mapwaypoint network
发现论文，激发创造
  • 封建式转向：针对转向角预测的层次学习

    本论文提供了一种基于封建网络和分层强化学习的车辆代理预测从车辆驾驶数据集中的第一视角实时图像进行自动驾驶方向盘角度预测的新方法，演示了在 Udacity 数据集上最先进的预测结果。

    Jun, 2020

  • 封建图强化学习

    使用封建式的强化学习方法，通过分层的图表示来控制具有不同结构的物理代理，并在基准环境中证明框架的概念及其在标准基准和零点转移学习设置方面的良好结果。

    Apr, 2023

  • 用于分层强化学习的封建网络

    介绍了一种新的分层强化学习方法，即 FeUdal Networks，该方法采用 “管理者 - 工作者” 框架，在不同的时间分辨率上进行端到端的学习，以完成由管理者设定的抽象目标，并且旨在解决长时间跨度的信用分配问题，并在 ATARI 和 DeepMind Lab 中的任务上取得显著优势。

    Mar, 2017

  • 使用语义地图监督学习导航视觉表征

    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

  • 基于行为的图形定位网络的视觉导航

    本文介绍一种基于图神经网络和卷积 / 循环神经网络实现的原始行为分解的、使用拓扑地图进行视觉导航的新方法，并在 Gibson 模拟器中验证了其在已知和未知环境中导航的性能优于相关基准线。

    Mar, 2019

  • 统一地图和基于地标的视觉导航表示

    提出了一种视觉导航的公式，该公式将基于地图的空间推理和路径规划与基于地标的稳健计划执行融合，该公式基于数据学习，能够高效地导航在新颖环境中，针对模拟现实世界环境进行了测试并报告了竞争基线方法的性能提高。

    Dec, 2017

  • 神经拓扑 SLAM 用于视觉导航

    本文研究图像目标导航问题，提出了一种基于拓扑表示法、语义特征和监督学习算法的解决方案，在视觉和物理仿真实验中部署该算法，与现有方法相比，在长时间任务中呈现出 50％以上的相对提高。

    May, 2020

  • 学习使用不确定拓扑地图进行规划

    本文采用一种数据驱动的策略和基于图像的规划，应用于 3D 环境中的导航系统，通过机器学习方法实现了图像哈希表上的最短路径规划，比传统符号算法更优秀。

    Jul, 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

  • 面向语义目标驱动导航的视觉表征

    本研究主要探讨了如何在复杂环境下使用语义视觉导航技术，通过使用实时现成的高级语义和语境特征来训练深度神经网络的方式进行导航决策，并通过将现实和虚拟数据的特征表示结合起来提高模型的学习效果达到更高的导航性能。

    May, 2018