초록
최신 탐색 기법들은 새로운 환경으로의 일반화를 위해 공간 기억을 활용하지만, 그들의 점유지도는 에이전트가 직접 관측한 기하학적 구조만을 포착할 수 있는 한계가 있다. 본 연구에서는 에이전트가 자기 중심의 RGB-D 관측을 활용하여 가시 영역을 초월한 점유 상태를 예측하는 ‘점유 예측(occupancy anticipation)’을 제안한다. 이를 통해 에이전트는 공간 인식을 더 빠르게 구축할 수 있으며, 이는 3D 환경 내에서 효율적인 탐색과 탐색을 가능하게 한다. 자기 중심 시점 이미지와 상단 시점 맵에서의 맥락 정보를 효과적으로 활용함으로써, 본 모델은 더 광범위한 환경 지도를 성공적으로 예측하며, 강력한 기준 모델들에 비해 훨씬 뛰어난 성능을 보였다. 또한 탐색과 탐색을 위한 순차적 결정 과제에 배치되었을 때, Gibson 및 Matterport3D 데이터셋에서 최신 기법들을 모두 능가하는 성능을 나타냈다. 본 연구는 2020년 Habitat PointNav 챌린지의 수상작이기도 하다. 프로젝트 페이지: http://vision.cs.utexas.edu/projects/occupancy_anticipation/