Neuro-Inspired Efficient Map Building via Fragmentation and Recall

要約

動物やロボットは、空間のマップを作成および改良することで環境内を移動します。
これらのマップにより、家に戻るナビゲーション、計画、検索、採集などの機能が可能になります。
大規模な環境では、空間の探索は困難な問題になります。エージェントがローカル領域に閉じ込められる可能性があります。
ここでは、神経科学からの洞察を使用して、断片化と想起 (FarMap) の概念を提案および適用します。エージェントは、空間のサブ目標を設定するために使用する、サプライズベースの空間クラスタリングを介してローカル マップを構築することでマッピング問題を解決します。
探検。
エージェントはローカル マップを構築して使用し、観測を予測します。
大きな驚きは、ローカルマップを切り捨てる「断片化イベント」を引き起こします。
これらのイベントでは、最近のローカル マップが長期メモリ (LTM) に配置され、別のローカル マップが初期化されます。
破断点での観測値が、保存されているローカル マップの 1 つの観測値と一致する場合、そのマップは LTM から呼び出されます (つまり、再利用されます)。
断片化ポイントは、より大きな空間の自然なオンライン クラスタリングを誘発し、トポロジー グラフとして LTM に保存される固有の潜在的なサブ目標のセットを形成します。
エージェントは、現在のローカル マップまたは LTM 内からそれぞれ、近いおよび遠い潜在的なサブ目標のセットから次のサブ目標を選択します。
したがって、ローカル マップはローカルな探索をガイドし、LTM はグローバルな探索を促進します。
複雑な手続き的に生成された空間環境で FarMap を評価し、このマッピング戦略が環境 (エージェントのステップ数と実時間) をより迅速にカバーし、パフォーマンスを損なうことなくアクティブなメモリ使用量がより効率的であることを実証します。

要約(オリジナル)

Animals and robots navigate through environments by building and refining maps of the space. These maps enable functions including navigating back to home, planning, search, and foraging. In large environments, exploration of the space is a hard problem: agents can become stuck in local regions. Here, we use insights from neuroscience to propose and apply the concept of Fragmentation-and-Recall (FarMap), with agents solving the mapping problem by building local maps via a surprisal-based clustering of space, which they use to set subgoals for spatial exploration. Agents build and use a local map to predict their observations; high surprisal leads to a “fragmentation event” that truncates the local map. At these events, the recent local map is placed into long-term memory (LTM), and a different local map is initialized. If observations at a fracture point match observations in one of the stored local maps, that map is recalled (and thus reused) from LTM. The fragmentation points induce a natural online clustering of the larger space, forming a set of intrinsic potential subgoals that are stored in LTM as a topological graph. Agents choose their next subgoal from the set of near and far potential subgoals from within the current local map or LTM, respectively. Thus, local maps guide exploration locally, while LTM promotes global exploration. We evaluate FarMap on complex procedurally-generated spatial environments to demonstrate that this mapping strategy much more rapidly covers the environment (number of agent steps and wall clock time) and is more efficient in active memory usage, without loss of performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google