Multiple Self-Supervised Auxiliary Tasks for Target-Driven Visual Navigation Using Deep Reinforcement Learning

doi:10.3390/e25071007

Multiple Self-Supervised Auxiliary Tasks for Target-Driven Visual Navigation Using Deep Reinforcement Learning

2023-06-30

0

OA

AI

DOI：10.3390/e25071007

原文链接

原文求助

摘要

En 中文

基于深度强化学习的视觉导航需要与环境进行大量交互，并且由于奖励稀疏性，需要大量的训练时间和计算资源。本文重点关注样本效率和导航性能，提出了一种基于多个自监督辅助任务的视觉导航框架。具体而言，我们提出了基于LSTM的动力学模型和基于注意力机制的图像重建模型作为辅助任务。这些自监督辅助任务通过构建潜在表示学习，使智能体能够直接从原始高维图像中学习导航策略，而无需依赖ResNet特征。实验结果表明，在没有手动设计的特征和先验演示的情况下，我们的方法显著提高了训练效率，并在模拟器和真实世界图像数据集上优于基线算法。

Multiple Self-Supervised Auxiliary Tasks for Target-Driven Visual Navigation Using Deep Reinforcement Learning

摘要

期刊

机构

引用论文