Besetzungsprognose für eine effiziente Erkundung und Navigation

Zustandsbestimmende Navigationssysteme nutzen eine räumliche Gedächtnisstruktur, um sich auf neue Umgebungen zu verallgemeinern, doch ihre Besetzungsabbildungen (occupancy maps) sind darauf beschränkt, lediglich die geometrischen Strukturen zu erfassen, die direkt vom Agenten beobachtet werden. Wir stellen die Methode des Besetzungs-Vorhersagens (occupancy anticipation) vor, bei der der Agent mithilfe seiner egozentrischen RGB-D-Daten die Besetzungsstate jenseits der sichtbaren Bereiche abschätzt. Auf diese Weise entwickelt der Agent schneller ein räumliches Bewusstsein, was eine effiziente Erkundung und Navigation in 3D-Umgebungen ermöglicht. Indem wir sowohl Kontext in den egozentrischen Ansichten als auch in top-down-Karten ausnutzen, gelingt es unserem Modell, eine umfassendere Karte der Umgebung vorherzusagen, wobei die Leistung deutlich besser ist als bei starken Baseline-Verfahren. Zudem übertrifft unser Modell bei der sequenziellen Entscheidungsfindung für die Aufgaben Erkundung und Navigation state-of-the-art-Methoden auf den Datensätzen Gibson und Matterport3D. Unser Ansatz ist der Gewinner des Habitat PointNav Challenge 2020. Projektseite: http://vision.cs.utexas.edu/projects/occupancy_anticipation/