CrossMap Transformer: A Crossmodal Masked Path Transformer Using Double Back-Translation for Vision-and-Language Navigation

要約

自然言語の指示によってガイドされるナビゲーションは、ユーザーと自然に対話する家庭用サービス ロボットに特に適しています。
このタスクには、自然言語によるナビゲーション命令が与えられた場合に、指定された目的地に至る一連のアクションの予測が含まれます。
したがって、この作業では、「トイレから出て、右側にある階段で待ってください」などの指示を理解する必要があります。
視覚と言語のナビゲーションは依然として困難です。特に、言語と視覚の関係をモデル化するために、環境を探索し、指示で指定されたパスを正確にたどる必要があるためです。
これに対処するために、言語的および視覚的特徴をエンコードしてパスを順次生成する CrossMap Transformer ネットワークを提案します。
CrossMap トランスフォーマーは、ナビゲーション指示を生成するトランスフォーマー ベースのスピーカーに接続されています。
2 つのネットワークは、ダブル バック トランスレーション モデルによる相互強化のため、共通の潜在的な機能を共有しています。生成されたパスは命令に変換され、生成された命令はパスに変換されます。実験結果は、命令の理解と命令の生成という点で、私たちのアプローチの利点を示しています。

要約(オリジナル)

Navigation guided by natural language instructions is particularly suitable for Domestic Service Robots that interacts naturally with users. This task involves the prediction of a sequence of actions that leads to a specified destination given a natural language navigation instruction. The task thus requires the understanding of instructions, such as “Walk out of the bathroom and wait on the stairs that are on the right”. The Visual and Language Navigation remains challenging, notably because it requires the exploration of the environment and at the accurate following of a path specified by the instructions to model the relationship between language and vision. To address this, we propose the CrossMap Transformer network, which encodes the linguistic and visual features to sequentially generate a path. The CrossMap transformer is tied to a Transformer-based speaker that generates navigation instructions. The two networks share common latent features, for mutual enhancement through a double back translation model: Generated paths are translated into instructions while generated instructions are translated into path The experimental results show the benefits of our approach in terms of instruction understanding and instruction generation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google