論文の概要: Long-HOT: A Modular Hierarchical Approach for Long-Horizon Object
Transport
- arxiv url: http://arxiv.org/abs/2210.15908v1
- Date: Fri, 28 Oct 2022 05:30:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 17:08:28.447592
- Title: Long-HOT: A Modular Hierarchical Approach for Long-Horizon Object
Transport
- Title(参考訳): Long-HOT: 長距離物体輸送のためのモジュラ階層的アプローチ
- Authors: Sriram Narayanan, Dinesh Jayaraman, Manmohan Chandraker
- Abstract要約: 我々は、時間的拡張ナビゲーションのための新しいオブジェクトトランスポートタスクと新しいモジュラーフレームワークを提案することで、長距離探査と航法を具現化する上で重要な課題に対処する。
私たちの最初の貢献は、深層探査と長期計画に焦点を当てた新しいLong-HOT環境の設計である。
重み付けされたフロンティアの助けを借りて探索を行うために,シーンのトポロジカルグラフを構築するモジュラー階層輸送ポリシー(HTP)を提案する。
- 参考スコア(独自算出の注目度): 83.06265788137443
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We address key challenges in long-horizon embodied exploration and navigation
by proposing a new object transport task and a novel modular framework for
temporally extended navigation. Our first contribution is the design of a novel
Long-HOT environment focused on deep exploration and long-horizon planning
where the agent is required to efficiently find and pick up target objects to
be carried and dropped at a goal location, with load constraints and optional
access to a container if it finds one. Further, we propose a modular
hierarchical transport policy (HTP) that builds a topological graph of the
scene to perform exploration with the help of weighted frontiers. Our
hierarchical approach uses a combination of motion planning algorithms to reach
point goals within explored locations and object navigation policies for moving
towards semantic targets at unknown locations. Experiments on both our proposed
Habitat transport task and on MultiOn benchmarks show that our method
significantly outperforms baselines and prior works. Further, we validate the
effectiveness of our modular approach for long-horizon transport by
demonstrating meaningful generalization to much harder transport scenes with
training only on simpler versions of the task.
- Abstract(参考訳): 我々は、時間的拡張ナビゲーションのための新しいオブジェクトトランスポートタスクと新しいモジュラーフレームワークを提案することにより、長距離探査と航法における重要な課題に対処する。
私たちの最初の貢献は、エージェントが目標の場所に、ロード制約とコンテナへのオプションアクセスを伴い、目的のオブジェクトを効率的に見つけて取り出す必要がある、深層探査とロングホリゾン計画に焦点を当てた、新しいロングホットな環境の設計です。
さらに,重み付けされたフロンティアの助けを借りて探索を行うために,シーンのトポロジカルグラフを構築するモジュラー階層輸送ポリシー(htp)を提案する。
我々の階層的なアプローチは、探索された場所内のポイントゴールに到達するための動き計画アルゴリズムと、未知の場所におけるセマンティックターゲットに向かうためのオブジェクトナビゲーションポリシーを組み合わせています。
提案したHabitatトランスポートタスクとMultiOnベンチマークの両方の実験により,本手法がベースラインと先行作業を大幅に上回ることを示す。
さらに,作業の単純バージョンのみをトレーニングすることで,より複雑な輸送シーンに有意義な一般化を示すことによって,長距離輸送に対するモジュール方式の有効性を検証する。
関連論文リスト
- Federated Multi-Agent Mapping for Planetary Exploration [0.4143603294943439]
本稿では,データ共有を必要とせず,エージェント間で集中マップモデルを共同で学習する手法を提案する。
我々のアプローチは暗黙のニューラルマッピングを利用して、パシモニアスで適応可能な表現を生成する。
火星の地形と氷河のデータセットを用いたフェデレーションマッピング手法の有効性を実証する。
論文 参考訳(メタデータ) (2024-04-02T20:32:32Z) - How To Not Train Your Dragon: Training-free Embodied Object Goal
Navigation with Semantic Frontiers [94.46825166907831]
Embodied AIにおけるオブジェクトゴールナビゲーション問題に対処するためのトレーニング不要のソリューションを提案する。
本手法は,古典的な視覚的同時ローカライゼーションとマッピング(V-SLAM)フレームワークに基づく,構造化されたシーン表現を構築する。
本手法は,言語先行情報とシーン統計に基づいてシーングラフのセマンティクスを伝搬し,幾何学的フロンティアに意味知識を導入する。
論文 参考訳(メタデータ) (2023-05-26T13:38:33Z) - Planning Immediate Landmarks of Targets for Model-Free Skill Transfer
across Agents [34.56191646231944]
我々はPILoT、即時ターゲットのランドマーク計画を提案する。
PILoTはゴール条件のステートプランナーを学習し、ゴールプランナーを蒸留してモデルなしのスタイルで即時ランドマークを計画する。
PILoTは,アクション空間やダイナミックスを横断する数発のショット転送など,様々なトランスファーの課題に対して有効であることを示す。
論文 参考訳(メタデータ) (2022-12-18T08:03:21Z) - Successor Feature Landmarks for Long-Horizon Goal-Conditioned
Reinforcement Learning [54.378444600773875]
大規模で高次元の環境を探索するフレームワークであるSFL(Successor Feature Landmarks)を紹介する。
SFLは、状態のノベルティを推定して探索を推進し、状態空間を非パラメトリックなランドマークベースのグラフとして抽象化することで、高レベルな計画を可能にする。
我々は,MiniGrid と ViZDoom の実験において,SFL が大規模高次元状態空間の効率的な探索を可能にすることを示す。
論文 参考訳(メタデータ) (2021-11-18T18:36:05Z) - Model-Based Reinforcement Learning via Latent-Space Collocation [110.04005442935828]
我々は、行動だけでなく、状態の順序を計画することで、長期的タスクの解決がより容易であると主張する。
我々は、学習された潜在状態空間モデルを利用して、画像に基づく設定に最適な制御文献における長い水平タスクに対する良い結果を示すコロケーションの概念を適応させる。
論文 参考訳(メタデータ) (2021-06-24T17:59:18Z) - Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。
エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。
われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
論文 参考訳(メタデータ) (2020-08-21T03:16:51Z) - Object Goal Navigation using Goal-Oriented Semantic Exploration [98.14078233526476]
本研究は,未確認環境における対象カテゴリーのインスタンスにナビゲートするオブジェクトゴールナビゲーションの問題を研究する。
本稿では,表層的なセマンティックマップを構築し,効率的に環境を探索する「ゴール指向セマンティック探索」というモジュールシステムを提案する。
論文 参考訳(メタデータ) (2020-07-01T17:52:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。