초록
ObjectGoal 네비게이션(ObjectNav)은 에이전트가 미처 본 적 없는 환경에서 특정 객체 인스턴스로 이동하는 임무를 수행하는 체화된 작업입니다. 이전 연구에서는 단순한 시각적 및 순환 모듈(CNN+RNN)을 사용하는 엔드투엔드 ObjectNav 에이전트들이 과적합과 샘플 효율성 부족으로 성능이 저조하다는 것을 보여주었습니다. 이를 해결하기 위해 최근의 최신 방법들은 분석적인 구성 요소와 학습된 구성 요소를 혼합하고, 환경의 명시적인 공간 지도에서 작동하도록 설계되었습니다. 그러나 우리는 보조 학습 작업과 탐사 보상을 추가하여 일반적인 학습 에이전트를 재활성화시키는 방안을 제안합니다. 우리의 에이전트들은 Habitat ObjectNav 챌린지에서 24.5%의 성공률과 8.1%의 SPL(성공 경로 길이)를 달성하였으며, 각각 이전 최신 기술 대비 37%와 8%의 상대적인 개선을 보였습니다. 분석 결과, 우리는 에이전트들이 RNN 동역학을 부드럽게 하기 위해 시각 입력을 단순화하려고 한다는 점과, 보조 작업들이 효과적인 RNN 차원을 최소화하여 과적합을 줄인다는 점을 제안합니다. 즉, 장기적으로 일관된 계획을 유지해야 하는 성능 좋은 ObjectNav 에이전트는 부드럽고 저차원의 순환 동역학을 학습함으로써 이를 실현합니다. 사이트: https://joel99.github.io/objectnav/