Sequence-Agnostic Multi-Object Navigation

要約

タイトル：Sequence-Agnostic Multi-Object Navigation

要約：
– Multi-Object Navigation(MultiON)タスクは、ロボットが複数の物体クラスのインスタンスをローカライズする必要がある。
– MultiONは、家庭や工場での支援ロボットのための基本的なタスクである。
– MultiONにおける既存の手法は、1つの物体クラスのインスタンスをローカライズするObject Navigation(ON)タスクの直接拡張として見ており、事前にオブジェクトクラスの探索順序が与えられることが前提となっている。
– これは、動的な変化がある実際のアプリケーションでの強い制限となる。
– 本論文では、アクター・クリティックアーキテクチャと適切な報酬設定に基づくシーケンスに依存しないMultiONの深層強化学習フレームワークを説明する。
– フレームワークは過去の経験を利用し、個々の対象物クラスだけでなく、複数の対象物クラスに向けた進歩を報酬とする。
– AI Habitat 3Dシミュレーション環境でGibsonベンチマークデータセットの写真リアルなシーンを使用して、事前にシーケンスを設定した手法とMultiONに拡張した最新のON手法よりも本手法の性能が優れることを実験的に示している。

要約(オリジナル)

The Multi-Object Navigation (MultiON) task requires a robot to localize an instance (each) of multiple object classes. It is a fundamental task for an assistive robot in a home or a factory. Existing methods for MultiON have viewed this as a direct extension of Object Navigation (ON), the task of localising an instance of one object class, and are pre-sequenced, i.e., the sequence in which the object classes are to be explored is provided in advance. This is a strong limitation in practical applications characterized by dynamic changes. This paper describes a deep reinforcement learning framework for sequence-agnostic MultiON based on an actor-critic architecture and a suitable reward specification. Our framework leverages past experiences and seeks to reward progress toward individual as well as multiple target object classes. We use photo-realistic scenes from the Gibson benchmark dataset in the AI Habitat 3D simulation environment to experimentally show that our method performs better than a pre-sequenced approach and a state of the art ON method extended to MultiON.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI