Fungsi carian sedang dalam pembinaan.
Fungsi carian sedang dalam pembinaan.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Semantic Path Planning for Indoor Navigation Tasks Using Multi-View Context and Prior Knowledge Perancangan Laluan Semantik untuk Tugas Navigasi Dalaman Menggunakan Konteks Berbilang Pandangan dan Pengetahuan Terdahulu

Jianbing WU, Weibo HUANG, Guoliang HUA, Wanruo ZHANG, Risheng KANG, Hong LIU

  • pandangan teks lengkap

    7

  • Petikan Ini

Ringkasan:

Baru-baru ini, kaedah pembelajaran tetulang mendalam (DRL) telah meningkatkan prestasi tugas navigasi dalaman dipacu sasaran dengan ketara. Walau bagaimanapun, maklumat semantik persekitaran yang kaya masih belum dieksploitasi sepenuhnya dalam pendekatan sebelumnya. Di samping itu, kaedah sedia ada biasanya cenderung terlalu sesuai pada adegan latihan atau objek dalam tugas navigasi dipacu sasaran, menjadikannya sukar untuk digeneralisasikan kepada persekitaran yang tidak kelihatan. Manusia boleh dengan mudah menyesuaikan diri dengan adegan baharu kerana mereka boleh mengenali objek yang mereka lihat dan menaakul kemungkinan lokasi objek sasaran menggunakan pengalaman mereka. Diilhamkan oleh ini, kami mencadangkan model navigasi dipacu sasaran berasaskan DRL, yang dinamakan MVC-PK, menggunakan maklumat Konteks Berbilang Paparan dan Pengetahuan semantik Terdahulu. Ia hanya bergantung pada label semantik objek sasaran dan membolehkan robot mencari sasaran tanpa menggunakan sebarang peta geometri. Untuk melihat maklumat kontekstual semantik dalam persekitaran, pengesan objek digunakan untuk mengesan objek yang terdapat dalam pemerhatian berbilang paparan. Untuk membolehkan keupayaan penaakulan semantik robot mudah alih dalaman, Rangkaian Konvolusi Graf juga digunakan untuk menggabungkan pengetahuan sedia ada. Model MVC-PK yang dicadangkan dinilai dalam persekitaran simulasi AI2-THOR. Keputusan menunjukkan bahawa MVC-PK (1) meningkatkan dengan ketara kebolehan generalisasi silang adegan dan sasaran, dan (2) mencapai prestasi terkini dengan peningkatan 15.2% dan 11.0% dalam Kadar Kejayaan (SR) dan Kejayaan ditimbang mengikut Panjang Laluan (SPL), masing-masing.

Jawatankuasa
IEICE TRANSACTIONS on Information Vol.E106-D No.5 pp.756-764
Tarikh penerbitan
2023/05/01
Diumumkan
2022/01/20
ISSN dalam talian
1745-1361
DOI
10.1587/transinf.2022DLP0033
Jenis Manuskrip
Special Section PAPER (Special Section on Deep Learning Technologies: Architecture, Optimization, Techniques, and Applications)
kategori
Kedudukan dan Navigasi

Pengarang

Jianbing WU
  Peking University
Weibo HUANG
  Peking University
Guoliang HUA
  Peking University
Wanruo ZHANG
  Peking University
Risheng KANG
  Department of Mechanical Engineering
Hong LIU
  Peking University

Kata kunci

Contents [show]