Skip-SCAR: A Modular Approach to ObjectGoal Navigation with Sparsity and Adaptive Skips

要約

ObjectGoal ナビゲーション (ObjectNav) では、エージェントは目に見えない環境内で特定のオブジェクトの位置を特定する必要があり、効果的な観察、予測、およびナビゲーション機能が必要です。
この研究では、予測精度のみを求める従来の手法では、計算効率が犠牲になることが多いことがわかりました。
これに対処するために、スパース性と適応スキップを活用して効率を向上させるモジュール式フレームワークである「Skip-SCAR」を導入します。
私たちのアプローチの中核となる SparseConv-Augmented ResNet (SCAR) は、疎な特徴と密な特徴の処理を並行して使用し、計算とメモリ フットプリントの両方を最適化します。
当社の適応スキップ技術は、環境の恒常性に基づいて不必要なセマンティック セグメンテーション ステップを選択的にバイパスすることにより、計算量をさらに削減します。
HM3D ObjectNav データセットでテストされた Skip-SCAR は、リソースの使用を最小限に抑えるだけでなく、新しいパフォーマンス ベンチマークを設定し、ロボット ナビゲーション タスクの効率と精度を向上させる堅牢な方法を実証しました。

要約(オリジナル)

In ObjectGoal navigation (ObjectNav), agents must locate specific objects within unseen environments, requiring effective observation, prediction, and navigation capabilities. This study found that traditional methods looking only for prediction accuracy often compromise on computational efficiency. To address this, we introduce ‘Skip-SCAR,’ a modular framework that enhances efficiency by leveraging sparsity and adaptive skips. The SparseConv-Augmented ResNet (SCAR) at the core of our approach uses sparse and dense feature processing in parallel, optimizing both the computation and memory footprint. Our adaptive skip technique further reduces computational demands by selectively bypassing unnecessary semantic segmentation steps based on environmental constancy. Tested on the HM3D ObjectNav datasets, Skip-SCAR not only minimizes resource use but also sets new performance benchmarks, demonstrating a robust method for improving efficiency and accuracy in robotic navigation tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google