La navigation guidée par des objets (ObjectGoal Navigation ou ObjectNav) est une tâche incarnée dans laquelle les agents doivent se rendre vers une instance d'objet dans un environnement inconnu. Les travaux précédents ont montré que les agents ObjectNav formés de manière end-to-end en utilisant des modules visuels et récurrents standards, par exemple un CNN+RNN, présentent de mauvaises performances en raison du surapprentissage et de l'inefficacité des échantillons. Cela a motivé les méthodes actuelles de pointe à combiner des composants analytiques et appris, et à opérer sur des cartes spatiales explicites de l'environnement. Nous avons, quant à nous, réactivé un agent générique appris en ajoutant des tâches d'apprentissage auxiliaires et une récompense d'exploration. Nos agents atteignent un taux de succès de 24,5 % et un SPL (Success-weighted Path Length) de 8,1 %, soit des améliorations relatives de 37 % et 8 % par rapport aux meilleures méthodes précédentes, respectivement, sur le défi Habitat ObjectNav. À partir de notre analyse, nous proposons que les agents cherchent à simplifier leurs entrées visuelles afin d'adoucir leurs dynamiques RNN (Réseau neuronal récurrent), et que les tâches auxiliaires réduisent le surapprentissage en minimisant la dimensionnalité effective du RNN ; c'est-à-dire qu'un agent ObjectNav performant qui doit maintenir des plans cohérents sur de longues périodes le fait en apprenant des dynamiques récurrentes adoucies et à faible dimension.Site : https://joel99.github.io/objectnav/