環境に依存しない多タスク学習による自然言語に基づくナビゲーション

最近の研究動向により、写実的な環境における自然言語に基づくナビゲーションの研究が可能となり、たとえば自然言語の指示に従う、あるいは対話履歴からナビゲーションを行うといったタスクが実現されている。しかし、従来の手法は見たことのある環境における訓練データに過剰に適合（overfit）し、未見の環境への一般化能力に欠ける傾向がある。見慣れた環境と見慣れない環境の間のギャップを埋めるために、我々は以下の2つの新しい視点から汎化性の高いナビゲーションモデルの学習を目指す。（1）視覚言語ナビゲーション（Vision-Language Navigation: VLN）と対話履歴からのナビゲーション（Navigation from Dialog History: NDH）の両タスクにおいて、スムーズに訓練可能なマルチタスクナビゲーションモデルを導入する。このアプローチにより、より豊かな自然言語のガイダンスを得ることができ、タスク間での知識の効果的な転移が可能となる。（2）訓練中に遭遇した環境に依存しない（環境不変の）ナビゲーション方策の表現を学習する。これにより、未見の環境における一般化性能が向上する。広範な実験の結果、環境不変なマルチタスク学習は、見慣れた環境と見慣れない環境間の性能ギャップを顕著に縮小し、特にVLNでは成功率の相対評価で16%、NDHではゴール到達進捗（goal progress）で120%の性能向上が達成された。本研究のCVDNリーダーボードへの提出は、ホールドアウトテストセットにおけるNDHタスクにおいて、新たな最先端（state-of-the-art）の記録を樹立した。コードは以下のURLから公開されている：https://github.com/google-research/valan。