摘要
物体目标导航（ObjectGoal Navigation，简称ObjectNav）是一项具身任务，其中智能体需要在未知环境中导航至特定的物体实例。先前的研究表明，使用基础视觉模块和递归模块（例如CNN+RNN）的端到端ObjectNav智能体由于过拟合和样本效率低下而表现不佳。这促使当前最先进的方法结合分析组件和学习组件，并在环境的显式空间地图上进行操作。我们则通过添加辅助学习任务和探索奖励重新激活了一种通用的学习型智能体。我们的智能体在Habitat ObjectNav挑战赛中达到了24.5%的成功率和8.1%的SPL（Success-weighted by Path Length），分别比之前的最先进方法提高了37%和8%。通过我们的分析，我们认为智能体会采取行动简化其视觉输入以平滑其递归神经网络（RNN）的动力学过程，并且辅助任务通过最小化有效RNN维度来减少过拟合；即，一个能够在长时间范围内维持连贯计划的有效ObjectNav智能体是通过学习平滑、低维的递归动力学来实现这一目标的。网站：https://joel99.github.io/objectnav/