Active Information Gathering for Long-Horizon Navigation Under Uncertainty by Learning the Value of Information

要約

私たちは、遠く離れた目に見えない空間についての情報を積極的に収集することが適切な行動のために不可欠である、部分的にマッピングされた環境における長距離ナビゲーションのタスクに取り組みます。
我々は、トレーニング時に、時間的に拡張された探索アクションの良さを予測するためにグラフニューラルネットワークをトレーニングするために使用される、まだ見えていない空間の潜在的に有益な領域を明らかにすることに関連する情報の価値の扱いやすい計算を可能にする新しい計画戦略を提案します。
当社の学習拡張モデルベースの計画アプローチは、目に見えない空間を明らかにする情報の期待値を予測し、これらの予測を使用して積極的に情報を探索し、長期的なナビゲーションを向上させることができます。
2 つのシミュレートされたオフィスのような環境全体で、当社のプランナーは、競合する学習済みベースライン ナビゲーション戦略と学習していないベースライン ナビゲーション戦略を上回り、最大 63.76% および 36.68% の改善を達成し、パフォーマンスに重要な情報を積極的に検索する能力を実証しました。

要約(オリジナル)

We address the task of long-horizon navigation in partially mapped environments for which active gathering of information about faraway unseen space is essential for good behavior. We present a novel planning strategy that, at training time, affords tractable computation of the value of information associated with revealing potentially informative regions of unseen space, data used to train a graph neural network to predict the goodness of temporally-extended exploratory actions. Our learning-augmented model-based planning approach predicts the expected value of information of revealing unseen space and is capable of using these predictions to actively seek information and so improve long-horizon navigation. Across two simulated office-like environments, our planner outperforms competitive learned and non-learned baseline navigation strategies, achieving improvements of up to 63.76% and 36.68%, demonstrating its capacity to actively seek performance-critical information.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google