【SLAM】开源 |Active Neural SLAM：模块化和层次化的方法学习探索3D环境，CVPR 2019 获奖作品

论文地址：http://arxiv.org/pdf/2004.05155v1.pdf 代码：https://devendrachaplot.github.io/projects/neural-slam 来源：卡内基梅隆大学 论文名称：Learning to Explore using Active Neural SLAM 原文作者：Devendra SinghChaplot

在本文中提出了一种模块化和层次化的方法来学习探索3D环境的策略，称为Active Neural SLAM。本文方法通过learned SLAM模块, 和global、localpolicies分析路径规划，充分整合了经典方法和learning-based方法的优势。使用该学习提供了输入模式方面的灵活性(learned SLAM模块)，利用普遍存在的结构规则(global policies)，并提供了对状态估计错误的鲁棒性(localpolicies)。该学习的使用保留了每个模块中的优点，同时，分层分解和模块化训练避免了end-to-end训练策略相关的高样本复杂性。将本文方法应用到在视觉和物理现实的模拟3D环境的实验中，证明了该方法的有效性超过过去的学习和基于几何的方法。该模型用于PointGoal任务中，并且成为了the CVPR 2019 Habitat PointGoal Navigation Challenge的获奖作品。

下面是论文具体框架结构以及实验结果：

人工智能，每日面试题：

简述CNN常用的几个模型：

每日面试题，答案：

号主答案：

声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请联系删除。