論文の概要: Navigating to Objects Specified by Images

• arxiv url: http://arxiv.org/abs/2304.01192v1
• Date: Mon, 3 Apr 2023 17:58:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-04 14:05:57.052571
• Title: Navigating to Objects Specified by Images
• Title（参考訳）: 画像で特定されたオブジェクトへのナビゲート
• Authors: Jacob Krantz, Theophile Gervet, Karmesh Yadav, Austin Wang, Chris Paxton, Roozbeh Mottaghi, Dhruv Batra, Jitendra Malik, Stefan Lee, Devendra Singh Chaplot
• Abstract要約: シミュレーションと実世界の両方でタスクを実行できるシステムを提案する。 我々のモジュラー手法は探索,ゴールインスタンスの再識別,ゴールローカライゼーション,ローカルナビゲーションのサブタスクを解決する。 HM3D InstanceImageNavベンチマークでは、このシステムはベースラインのエンドツーエンドのRLポリシー7xと最先端のImageNavモデル2.3xを上回っている。
• 参考スコア（独自算出の注目度）: 86.9672766351891
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Images are a convenient way to specify which particular object instance an embodied agent should navigate to. Solving this task requires semantic visual reasoning and exploration of unknown environments. We present a system that can perform this task in both simulation and the real world. Our modular method solves sub-tasks of exploration, goal instance re-identification, goal localization, and local navigation. We re-identify the goal instance in egocentric vision using feature-matching and localize the goal instance by projecting matched features to a map. Each sub-task is solved using off-the-shelf components requiring zero fine-tuning. On the HM3D InstanceImageNav benchmark, this system outperforms a baseline end-to-end RL policy 7x and a state-of-the-art ImageNav model 2.3x (56% vs 25% success). We deploy this system to a mobile robot platform and demonstrate effective real-world performance, achieving an 88% success rate across a home and an office environment.
• Abstract（参考訳）: イメージは、具体化エージェントがナビゲートすべき特定のオブジェクトインスタンスを指定するための便利な方法である。 この課題を解決するには、未知の環境の視覚的推論と探索が必要である。 本稿では,この課題をシミュレーションと実世界の両方で行うシステムを提案する。 モジュール方式は探索,目標インスタンスの再同定,目標位置特定,局所ナビゲーションといったサブタスクを解決する。 特徴マッチングを用いてゴールインスタンスを再同定し、一致した特徴をマップに投影することでゴールインスタンスをローカライズする。 各サブタスクは、ゼロの微調整を必要とするオフザシェルフコンポーネントを使用して解決される。 HM3D InstanceImageNavベンチマークでは、このシステムはベースラインのエンドツーエンドのRLポリシー7xと最先端のImageNavモデル2.3x(56%対25%の成功)を上回っている。 我々は,このシステムを移動ロボットプラットフォームにデプロイし,実世界の効果的なパフォーマンスを実証し,家庭とオフィス環境全体で88%の成功率を達成した。

関連論文リスト

• Real-world Instance-specific Image Goal Navigation: Bridging Domain Gaps via Contrastive Learning [5.904490311837063]
  この課題は、移動ロボットが観察する低品質画像と、ユーザが提供した高品質なクエリ画像との間の領域ギャップにある。 クロスクオリティのインスタンスブルウェア適応(CrossIA)は、高画質画像と高画質画像の間に特徴を整合させるために、インスタンスとの対比学習を採用している。 本手法は,タスク成功率をベースラインに比べて最大3倍向上させる。
  論文  参考訳（メタデータ） (2024-04-15T10:24:32Z)
• Instance-aware Exploration-Verification-Exploitation for Instance ImageGoal Navigation [88.84058353659107]
  インスタンスイメージゴールナビゲーション(IIN)は、探索されていない環境でゴールイメージによって表現された指定されたオブジェクトにナビゲートすることを目的としている。 本稿では、インスタンスレベルの画像目標ナビゲーションのための新しいモジュール型ナビゲーションフレームワーク、Exploration-Verification-Exploitation (IEVE)を提案する。 我々の手法は従来の最先端の手法を超越し、古典的セグメンテーションモデル(0.684対0.561成功)またはロバストモデル(0.702対0.561成功)を用いる。
  論文  参考訳（メタデータ） (2024-02-25T07:59:10Z)
• Zero-Shot Object Goal Visual Navigation With Class-Independent Relationship Network [3.0820097046465285]
  ゼロショット(Zero-shot)とは、エージェントが探すべきターゲットがトレーニングフェーズ中にトレーニングされないことを意味する。 本研究では,学習中の目標特徴とナビゲーション能力の結合の問題に対処するために,クラス独立関係ネットワーク(CIRN)を提案する。 本手法は、ゼロショット目標視覚ナビゲーションタスクにおける最先端のアプローチよりも優れている。
  論文  参考訳（メタデータ） (2023-10-15T16:42:14Z)
• Object Goal Navigation with Recursive Implicit Maps [92.6347010295396]
  対象目標ナビゲーションのための暗黙的な空間マップを提案する。 提案手法は, 挑戦的なMP3Dデータセット上での技量を著しく上回る。 我々は、実際のロボットにモデルをデプロイし、実際のシーンでオブジェクトゴールナビゲーションの結果を奨励する。
  論文  参考訳（メタデータ） (2023-08-10T14:21:33Z)
• Instance-Specific Image Goal Navigation: Training Embodied Agents to Find Object Instances [90.61897965658183]
  画像ゴールによる視覚ナビゲーションの具体化問題(ImageNav)について考察する。 関連するナビゲーションタスクとは異なり、ImageNavはメソッド間の比較を難しくする標準化されたタスク定義を持っていない。 これらの制限に対処するために、インスタンス固有のImageNavタスク(ImageNav)を提示します。
  論文  参考訳（メタデータ） (2022-11-29T02:29:35Z)
• Navigating to Objects in Unseen Environments by Distance Prediction [16.023495311387478]
  推定距離マップに基づいて経路計画を直接実行可能なオブジェクトゴールナビゲーションフレームワークを提案する。 具体的には,鳥眼のセマンティックマップを入力として,地図セルから対象物までの距離を推定する。 推定距離マップを用いて、エージェントは環境を探索し、人間設計または学習されたナビゲーションポリシーに基づいて対象物に移動することができる。
  論文  参考訳（メタデータ） (2022-02-08T09:22:50Z)
• Landmark Policy Optimization for Object Navigation Task [77.34726150561087]
  本研究は,未確認環境において,与えられたセマンティックカテゴリに関連する最も近いオブジェクトにナビゲートするオブジェクトゴールナビゲーションタスクについて研究する。 最近の研究は、エンドツーエンドの強化学習アプローチとモジュールシステムの両方において大きな成果を上げていますが、堅牢で最適なものにするには大きな前進が必要です。 本稿では,これらのランドマークを抽出する手法として,標準的なタスクの定式化とランドマークとしての付加的な地域知識を取り入れた階層的手法を提案する。
  論文  参考訳（メタデータ） (2021-09-17T12:28:46Z)
• 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。