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。