論文の概要: Multi-Object Navigation in real environments using hybrid policies
- arxiv url: http://arxiv.org/abs/2401.13800v1
- Date: Wed, 24 Jan 2024 20:41:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-26 16:22:38.856722
- Title: Multi-Object Navigation in real environments using hybrid policies
- Title（参考訳）: ハイブリッドポリシを用いた実環境におけるマルチオブジェクトナビゲーション
- Authors: Assem Sadek, Guillaume Bono, Boris Chidlovskii, Atilla Baskurt and
Christian Wolf
- Abstract要約: 本稿では,問題を2つの異なるスキルに分解するハイブリッドナビゲーション手法を提案する。
シミュレーションと実環境の両方において、エンドツーエンドの手法と比較して、このアプローチの利点を示す。
- 参考スコア（独自算出の注目度）: 18.52681391843433
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Navigation has been classically solved in robotics through the combination of
SLAM and planning. More recently, beyond waypoint planning, problems involving
significant components of (visual) high-level reasoning have been explored in
simulated environments, mostly addressed with large-scale machine learning, in
particular RL, offline-RL or imitation learning. These methods require the
agent to learn various skills like local planning, mapping objects and querying
the learned spatial representations. In contrast to simpler tasks like waypoint
planning (PointGoal), for these more complex tasks the current state-of-the-art
models have been thoroughly evaluated in simulation but, to our best knowledge,
not yet in real environments.
In this work we focus on sim2real transfer. We target the challenging
Multi-Object Navigation (Multi-ON) task and port it to a physical environment
containing real replicas of the originally virtual Multi-ON objects. We
introduce a hybrid navigation method, which decomposes the problem into two
different skills: (1) waypoint navigation is addressed with classical SLAM
combined with a symbolic planner, whereas (2) exploration, semantic mapping and
goal retrieval are dealt with deep neural networks trained with a combination
of supervised learning and RL. We show the advantages of this approach compared
to end-to-end methods both in simulation and a real environment and outperform
the SOTA for this task.
- Abstract（参考訳）: ナビゲーションはSLAMと計画の組み合わせによってロボット工学において古典的に解決されてきた。
最近では、(視覚的な)ハイレベル推論の重要なコンポーネントに関わる問題が、シミュレーション環境で研究されており、主に大規模機械学習、特にRL、オフラインRL、模倣学習で対処されている。
これらの方法は、エージェントがローカルプランニング、オブジェクトのマッピング、学習した空間表現のクエリといった様々なスキルを学ぶ必要がある。
waypoint planning(pointgoal)のような単純なタスクとは対照的に、より複雑なタスクでは、現在の最先端のモデルはシミュレーションで徹底的に評価されていますが、最高の知識では、実環境にはまだありません。
本研究はsim2real Transferに焦点を当てる。
課題の多いマルチオブジェクトナビゲーション(マルチオン)タスクをターゲットとし、元の仮想マルチオンオブジェクトの実際のレプリカを含む物理環境に移植する。
提案手法では,(1)ウェイポイントナビゲーションは古典的なスラムとシンボリックプランナーの組み合わせで,(2)探索,意味マッピング,ゴール検索は教師付き学習とrlの組み合わせで訓練された深層ニューラルネットワークで処理される。
本手法の利点はシミュレーションと実環境の両方においてエンド・ツー・エンドの手法と比較して,SOTAよりも優れていることを示す。
関連論文リスト
- E2Map: Experience-and-Emotion Map for Self-Reflective Robot Navigation with Language Models [16.50787220881633]
大規模言語モデル(LLM)は、言語命令を実行するためのエンボディエージェントを誘導する大きな可能性を示している。
既存の手法は主に静的環境向けに設計されており、エージェント自身の経験を生かして初期計画を洗練しない。
本研究は,LLMの知識とエージェントの現実世界の経験を統合した経験・感情マップ(E2Map)を紹介する。
論文 参考訳（メタデータ） (2024-09-16T06:35:18Z) - Aquatic Navigation: A Challenging Benchmark for Deep Reinforcement Learning [53.3760591018817]
ゲームエンジンとDeep Reinforcement Learningの統合の最近の進歩を利用して,水上ナビゲーションのための新しいベンチマーク環境を提案する。
具体的には、最も広く受け入れられているアルゴリズムの一つであるPPOに着目し、先進的なトレーニング手法を提案する。
実験により,これらの成分をうまく組み合わせることで,有望な結果が得られることが示された。
論文 参考訳（メタデータ） (2024-05-30T23:20:23Z) - ReProHRL: Towards Multi-Goal Navigation in the Real World using
Hierarchical Agents [1.3194749469702445]
本稿では、強化学習によって誘導される階層的マルチゴールナビゲーションでタスクを分割する生産階層RL(ReProHRL)について述べる。
また、物体検出装置を前処理のステップとして使用して、マルチゴールナビゲーションを学習し、それを現実世界に転送する。
実世界の実装と概念実証のために,提案手法をフロントカメラを用いたナノドローンCrzyflieに展開する。
論文 参考訳（メタデータ） (2023-08-17T02:23:59Z) - 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) - Navigating to Objects in the Real World [76.1517654037993]
本稿では,古典的,モジュール的,エンド・ツー・エンドの学習手法と比較した,意味的視覚ナビゲーション手法に関する大規模な実証的研究について述べる。
モジュラー学習は実世界ではうまく機能し、90%の成功率に達しています。
対照的に、エンド・ツー・エンドの学習は、シミュレーションと現実の間の画像領域の差が大きいため、77%のシミュレーションから23%の実際の成功率へと低下する。
論文 参考訳（メタデータ） (2022-12-02T01:10:47Z) - 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) - Learning to Move with Affordance Maps [57.198806691838364]
物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。
従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。
学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
論文 参考訳（メタデータ） (2020-01-08T04:05:11Z)
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。