.png){kind=icon}
返回
Goal-Oriented Dynamic Weight Optimization for Multi-Object Navigation
.png){kind=icon}
PRE
AI
DOI：10.1109/TPAMI.2026.3657778.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多目标导航（MON）任务涉及在未知环境中顺序定位多个目标，需要在信息不完全的情况下进行全局长期规划。这要求智能体动态平衡即时行动和长期奖励，同时兼顾局部适应性和全局前瞻性。然而，当前方法过度关注局部路径优化，导致稀疏奖励设置下收敛缓慢，并增加了陷入僵局或陷阱状态的风险。MON的核心挑战在于共享决策空间的变形，独立优化会导致冗余和重叠路径。因此，路径规划需要动态、跨任务优化，而非简单的子任务聚合。为最小化总体努力，优化过程应通过权重调整自适应平衡任务贡献。为此，我们提出目标导向的动态权重优化（GDWO）算法。GDWO将目标特定的价值损失函数整合到统一优化框架中，并通过基于梯度的更新动态调整权重。为防止过度优化，权重在训练期间根据导航成功率进行归一化，优先处理更具挑战性的目标。该自适应机制有效解决了稀疏奖励的挑战，提高了收敛效率。通过利用此机制，GDWO在统一决策空间内统一多个目标，实现高效优化并平衡短期收益与长期目标。此外，我们引入两个辅助模块：基于先验知识的导航和前沿感知探索，以进一步提升GDWO的性能。在Gibson和Matterport3D数据集上的实验结果表明，GDWO在MON任务的关键指标上实现了改进。它优化了路径规划，降低了探索成本，增强了导航效率，使智能体能够在复杂环境中更有效地执行任务。
Keyword:
Multi-object navigation
visual navigation
and embodied AI
期刊
IF:
18.6
论文数:
1.1K
被引数:
9.8W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容