Reduce, Reuse, Recycle: Modular Multi-Object Navigation

要約

タイトル: モジュラーなマルチオブジェクトナビゲーションの簡素化、再利用、再生

要約:
– 研究者は、「マルチオブジェクトナビゲーション（MultiON）」のタスクに注目し、このタスクにはいくつかのモジュールが必要であることを確認した。
– ここでは、RGB画像からオブジェクトを検出するオブジェクト検出モジュール、観測されたオブジェクトのセマンティックマップを構築するマップビルディングモジュール、周囲を探索するための探索モジュール、そして識別されたターゲットオブジェクトに移動するための移動モジュールの4つのモジュールに分けたアプローチを採用している。
– 研究者は、ナビゲーションと探索モジュールに焦点を当てている。そのため、スクラッチからナビゲーションを学ぶ代わりに、PointGoalナビゲーションモデルをMultiONタスクに効果的に活用できることを示す。
– 研究者は、ランダムな探索戦略がより高度な探索方法よりも優れていることを発見する。
– さらに、研究者は、アプローチのテストベッドとして、MultiON 2.0という新しい大規模データセットを作成した。

要約(オリジナル)

Our work focuses on the Multi-Object Navigation (MultiON) task, where an agent needs to navigate to multiple objects in a given sequence. We systematically investigate the inherent modularity of this task by dividing our approach to contain four modules: (a) an object detection module trained to identify objects from RGB images, (b) a map building module to build a semantic map of the observed objects, (c) an exploration module enabling the agent to explore its surroundings, and finally (d) a navigation module to move to identified target objects. We focus on the navigation and the exploration modules in this work. We show that we can effectively leverage a PointGoal navigation model in the MultiON task instead of learning to navigate from scratch. Our experiments show that a PointGoal agent-based navigation module outperforms analytical path planning on the MultiON task. We also compare exploration strategies and surprisingly find that a random exploration strategy significantly outperforms more advanced exploration methods. We additionally create MultiON 2.0, a new large-scale dataset as a test-bed for our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI