利用与任务相关的潜伏的预测来实现交互式视觉导航
IEEE transactions on neural networks and learning systems
|December 1, 2023
概括
本研究介绍了与任务相关潜伏的预测 (PTRLs),这是一个自我监督的强化学习 (RL) 框架. 通过提高环境表示和样本效率,PTRLs可以增强嵌入式代理导航,以获得更好的准确性和概括性.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 交互式视觉导航 (IVN) 任务需要有形代理来学习环境相互作用以实现目标.
- 当前的强化学习 (RL) 方法由于在部分可观测的环境中对环境的不高效表示而与IVN扎.
研究的目的:
- 引入一个灵活的自我监督的RL框架,任务相关潜伏的预测 (PTRLs),以提高IVN任务性能.
- 增强结构化环境动态和顺序观测表示的学习.
主要方法:
- PTRL框架使用自主监督学习来根据行动预测代理人的下一个姿势.
- 包含注意力和记忆模块,用于空间时间依赖性利用.
- 采用状态价值提升模块,通过输入扰动和价值函数规范化适应新环境.
主要成果:
- PTRL在提高IVN任务的准确性和概括能力方面表现出卓越的表现.
- 在RL网络培训中,样本效率通过模块化培训和层次分解显著提高.
结论:
- 拟议的PTRLs框架提供了一个强大的解决方案,用于改善复杂环境中的体内代理导航.
- PTRLs有效地解决了传统RL方法在IVN学习环境表示中的局限性.


