論文の概要: Learning to Navigate in Mazes with Novel Layouts using Abstract Top-down Maps

• arxiv url: http://arxiv.org/abs/2412.12024v1
• Date: Mon, 16 Dec 2024 17:51:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:59:13.986057
• Title: Learning to Navigate in Mazes with Novel Layouts using Abstract Top-down Maps
• Title（参考訳）: 抽象トップダウンマップを用いた新しいレイアウトを用いた迷路のナビゲーション学習
• Authors: Linfeng Zhao, Lawson L. S. Wong,
• Abstract要約: 我々は、抽象的な2ドルのトップダウンマップを使って、ゼロショットナビゲーション機能に注力する。 このマルチタスク学習問題に対するモデルに基づく強化学習手法を提案する。 我々の手法はゼロショットで新しい環境に適応でき、ノイズに対してより堅牢である。
• 参考スコア（独自算出の注目度）: 12.505350896485389
• License:
• Abstract: Learning navigation capabilities in different environments has long been one of the major challenges in decision-making. In this work, we focus on zero-shot navigation ability using given abstract $2$-D top-down maps. Like human navigation by reading a paper map, the agent reads the map as an image when navigating in a novel layout, after learning to navigate on a set of training maps. We propose a model-based reinforcement learning approach for this multi-task learning problem, where it jointly learns a hypermodel that takes top-down maps as input and predicts the weights of the transition network. We use the DeepMind Lab environment and customize layouts using generated maps. Our method can adapt better to novel environments in zero-shot and is more robust to noise.
• Abstract（参考訳）: 異なる環境でナビゲーション能力を学ぶことは、意思決定における大きな課題の1つです。 本研究では,トップダウンマップを抽象化した2ドル(約2万2000円)のゼロショットナビゲーション機能に着目した。 紙地図を読むことで人間のナビゲーションと同じように、エージェントはトレーニングマップのセットをナビゲートした後に、新しいレイアウトでナビゲートするときに、地図を画像として読む。 本稿では,このマルチタスク学習問題に対するモデルに基づく強化学習手法を提案する。 We use the DeepMind Lab environment and custom layouts using generated map。 我々の手法はゼロショットで新しい環境に適応でき、ノイズに対してより堅牢である。

関連論文リスト

• Semantic Map-based Generation of Navigation Instructions [9.197756644049862]
  画像キャプションタスクとして問題をフレーミングすることでナビゲーション命令生成に新たなアプローチを提案する。 従来のアプローチでは、ナビゲーション命令を生成するために一連のパノラマ画像を使用する。 セマンティックマップを用いた命令生成のためのベンチマークデータセットを提案し、初期モデルを提案し、人に対して、生成した命令の質を手動で評価するよう依頼する。
  論文  参考訳（メタデータ） (2024-03-28T17:27:44Z)
• Feudal Networks for Visual Navigation [6.1190419149081245]
  封建的学習を用いた視覚ナビゲーションの新しいアプローチを提案する。 各レベルのエージェントはタスクの異なる側面を見て、異なる空間的および時間的スケールで操作する。 得られた封建的なナビゲーションネットワークは、SOTAの性能に近い。
  論文  参考訳（メタデータ） (2024-02-19T20:05:41Z)
• 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)
• Learning Navigational Visual Representations with Semantic Map Supervision [85.91625020847358]
  エージェントの自我中心のビューとセマンティックマップを対比してナビゲーション固有の視覚表現学習法を提案する。 Ego$2$-Map学習は、オブジェクト、構造、遷移などのコンパクトでリッチな情報を、ナビゲーションのためのエージェントのエゴセントリックな表現に転送する。
  論文  参考訳（メタデータ） (2023-07-23T14:01:05Z)
• Weakly-Supervised Multi-Granularity Map Learning for Vision-and-Language Navigation [87.52136927091712]
  我々は,ロボットエージェントが言語指導によって記述された経路をたどって,環境の中をナビゲートするよう訓練する,現実的かつ困難な問題に対処する。 高精度かつ効率的なナビゲーションを実現するためには,環境オブジェクトの空間的位置と意味情報の両方を正確に表現した地図を構築することが重要である。 より包括的にオブジェクトを表現するために,オブジェクトの細粒度(色,テクスチャなど)とセマンティッククラスの両方を含む多粒度マップを提案する。
  論文  参考訳（メタデータ） (2022-10-14T04:23:27Z)
• Find a Way Forward: a Language-Guided Semantic Map Navigator [53.69229615952205]
  本稿では,新たな視点で言語誘導ナビゲーションの問題に対処する。 ロボットが自然言語の指示を実行し、地図観測に基づいて目標位置へ移動できるようにする。 提案手法は特に長距離ナビゲーションの場合において顕著な性能向上をもたらす。
  論文  参考訳（メタデータ） (2022-03-07T07:40:33Z)
• PONI: Potential Functions for ObjectGoal Navigation with Interaction-free Learning [125.22462763376993]
  対話自由学習(PONI)を用いたオブジェクト指向ナビゲーションの可能性について提案する。 PONIは、物がどこに見えるかというスキルと、どのように(x, y)にナビゲートするかを歪めます。」
  論文  参考訳（メタデータ） (2022-01-25T01:07:32Z)
• Lifelong Topological Visual Navigation [16.41858724205884]
  本稿では,生涯ナビゲーション性能を時間とともに向上させるグラフ更新戦略を用いた学習型ビジュアルナビゲーション手法を提案する。 画像に基づくトポロジグラフを構築するためのサンプリングベースの計画アルゴリズムから着想を得た結果,スペーサーグラフはベースライン法に比べてナビゲーション性能が高い。 固定的なトレーニング環境から学習するコントローラとは異なり、ロボットが配置される実環境から比較的小さなデータセットを使ってモデルを微調整できることが示される。
  論文  参考訳（メタデータ） (2021-10-16T06:16:14Z)
• Seeing the Un-Scene: Learning Amodal Semantic Maps for Room Navigation [143.6144560164782]
  セマンティックマップを用いた室内ナビゲーションのための学習型アプローチを提案する。 我々は、部屋の位置、大きさ、形状の信念を示すアモーダルな意味的トップダウンマップを生成するためにモデルを訓練する。 次に、これらのマップを使用して、対象の部屋にある点を予測し、その点に向かうためのポリシーを訓練します。
  論文  参考訳（メタデータ） (2020-07-20T02:19:26Z)

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。