自己中心的局所定位を統合したより現実的なポイントゴールナビゲーションエージェント

最近の研究では、新規の屋内環境において点目標へナビゲーションするエージェントが、ほぼ完璧な精度で動作することが示されている。しかし、これらのエージェントは局所化に理想的なセンサーを搭載しており、決定論的な行動を取っている。この設定は、現実世界におけるノイズを含むセンサーとアクチュエーションの不確実性という「汚れきった現実」と比べて、実用上は極めて単純化されたものである——タイヤはスリップし、モーションセンサーには誤差があり、アクチュエーションは跳ね返ることがある。本研究では、こうしたノイズを含む現実に一歩近づくことを目的とし、ノイズのある行動ダイナミクス下で視覚的自己運動推定（egomotion）に依存する点目標ナビゲーションエージェントを提案する。我々のエージェントは、現行の点目標エージェントをこの設定に単純に適応した手法や、従来の局所化ベースラインを組み込んだ手法を上回る性能を発揮することが明らかになった。さらに、本モデルは、エージェントのダイナミクス（またはオドメトリ）の学習（「私はどこにいるか？」）と、タスク固有のナビゲーション方策（「私はどこに行きたいか？」）の概念的分離を実現している。これにより、ロボットや床材の変更といったダイナミクスの変化に対しても、ナビゲーション方策の再訓練をせずに、視覚オドメトリモデルの再キャリブレーションのみでスムーズに適応可能となる。本エージェントは、CVPR 2020 Habitat ChallengeのPointNavトラックで準優勝を達成した。